PDF 파이프라인 작동 방식
OCRZero는 모든 PDF를 네 단계로 처리합니다.
- 렌더링. 각 페이지를 150dpi 이미지로 그리고, 넓은 페이지는 2,200픽셀로 줄입니다.
- 분석. Xiaomi-OCR-0가 각 페이지 이미지를 읽는 순서대로 Markdown으로 바꾸며, 머리글과 바닥글은 제외합니다.
- 정리. 공식 후처리가 OTSL 표를 HTML로 바꾸고, 수식 구분자를 정리하며, 끝없이 반복되는 출력을 잘라냅니다.
- 합치기. 페이지는 순서대로 합쳐지고, 각 페이지에 page 3 같은 HTML 주석이 붙습니다.
표, 수식, 레이아웃
모델은 병합 셀을 표현하는 간결한 표 마크업인 OTSL로 표를 씁니다. OCRZero는 이를 rowspan과 colspan이 있는 HTML 표로 바꾸며, 대부분의 Markdown 렌더러와 RAG 파이프라인에서 쓸 수 있습니다.
수식은 LaTeX로, 인라인은 $ … $, 블록은 $$ … $$로 씁니다. 그림은 설명하지 않으며 Xiaomi-OCR-0는 페이지의 텍스트를 추출합니다.
속도와 비용
텍스트가 많은 연구 논문으로 시험한 결과, 단일 스트림에서 페이지당 약 5~15초가 걸렸습니다(텍스트 양에 따라 다름). OCRZero에서는 페이지당 1크레딧, 1,000페이지당 5달러이며 대상 신규 계정은 20페이지 무료입니다.