PDF パイプラインの仕組み
OCRZero はすべての PDF を 4 ステップで処理します。
- 描画。 各ページを 150 dpi で画像化し、幅の広いページは 2,200 ピクセルに縮小します。
- 解析。 Xiaomi-OCR-0 が各ページ画像を読み順に Markdown に変換します。ヘッダーとフッターは除きます。
- 整形。 公式の後処理で OTSL の表を HTML に変換し、数式の区切りを整え、暴走した繰り返しを切り詰めます。
- 結合。 ページは順に結合され、それぞれに page 3 のような HTML コメントが付きます。
表・数式・レイアウト
モデルは結合セルを表せるコンパクトな表記法 OTSL で表を書きます。OCRZero はこれを rowspan と colspan を使った HTML の表に変換するので、多くの Markdown レンダラーや RAG パイプラインでそのまま使えます。
数式は LaTeX で、インラインは $ … $、別行立ては $$ … $$ で書かれます。図の説明は出力せず、Xiaomi-OCR-0 はページの文字情報を抽出します。
速度と費用
文字の多い研究論文で試したところ、1 ページあたりシングルストリームで約 5〜15 秒でした（文字量によります）。OCRZero では 1 ページ 1 クレジット、1,000 ページあたり 5 ドルで、対象の新規アカウントは 20 ページ無料です。