오픈소스 1.3B 모델 OXR, 문서 파싱 3개 벤치마크 정상

문서 파싱은 AI 시스템에서 자주 과소평가되는 어려운 영역이다. PDF에서 글자를 추출하는 것만으로는 충분하지 않다. 실제 활용을 위해서는 다단 편집의 읽기 순서, 표의 셀 병합, 수식의 의미, 이미지와 설명문의 관계까지 복원해야 한다. 추출 결과가 뒤섞이면 강력한 언어 모델을 사용하더라도 RAG와 에이전트가 잘못된 문맥을 바탕으로 동작하게 된다.

오픈소스 프로젝트 OXR은 OCR의 범위를 문서 요소 전체의 인식으로 확장하려는 모델이다. 개발팀에 따르면 파라미터 규모는 약 13억 개이며, 표, 수식, 코드 블록, 이미지, 화학 구조, 각주, 머리말과 꼬리말, 도장 등을 처리한다. 결과는 구조화된 Markdown으로 변환할 수 있고 수식은 LaTeX로 출력할 수 있다. 프로젝트가 공개한 자료에 따르면 OmniDocBench에서 97.18점, olmOCR-Bench에서 87.84점, DocParsingBench에서 87.76점을 기록해 세 평가에서 모두 1위를 차지했다. 다만 실제 비교를 위해서는 평가 버전, 하드웨어, 추론 설정을 동일하게 맞춘 검증이 필요하다.

핵심 특징은 다음과 같다.

• 목적이 분명한 소형 모델: 범용 LLM을 대체하기보다 문서 내용 인식과 구조 복원에 집중한다.
• RSI 기반 후학습: 라벨이 없는 문서를 처리한 뒤 범용 VLM으로 결과를 정답, 오류, 불확실 사례로 나눈다. 여러 번 추론해 결과가 흔들리는 샘플도 걸러낸다.
• 원인 중심 데이터 생성: 셀 병합 오류, 손글씨 인식 실패, 이미지 변화에 대한 민감성 등으로 문제를 묶고, 각 약점을 겨냥한 학습 데이터를 만든다.
• 모듈식 구조: 레이아웃 분석과 인식·읽기 순서 판단을 분리해 특정 업무에서는 레이아웃 모델만 교체할 수 있다.

이 접근법의 핵심은 모델에 자기 점수를 매기게 하는 데 그치지 않는다. 오류 발견, 원인 진단, 데이터 생성, 재학습을 하나의 피드백 루프로 연결한다는 점이 중요하다. 문서 파싱은 구조적 정답을 비교적 명확하게 정의할 수 있어 개방형 텍스트 생성보다 자동 평가에 적합하다. 그러나 평가 모델이 잘못 판단하면 합성 데이터가 오류를 확대할 수도 있다. 복잡한 표와 전문 수식, 드문 문서 형식에서는 사람이 일부를 점검하고 독립적인 평가를 진행해야 한다.

처리 속도와 관련해 개발팀은 RTX PRO 6000 한 장으로 100페이지 문서를 약 101초에 처리할 수 있다고 설명한다. 가벼운 레이아웃 분석 모델과 인식·읽기 순서를 담당하는 주 모델을 조합해 긴 자기회귀 출력을 줄이는 설계다. 코드, 가중치, 평가 절차, 온라인 데모와 무료 API도 공개했으며 Docker 기반 배포를 지원한다고 밝혔다.

OXR의 의미는 OCR을 ‘이미지를 문자로 바꾸는 기술’에서 ‘AI가 사용할 수 있는 구조화 자산을 만드는 기술’로 확장한 데 있다. 연구자료와 기업 문서를 AI 워크플로에 연결하는 비용을 낮출 가능성은 있지만, 실제 도입 전에는 개인정보 처리, 서비스 안정성, 언어별 정확도, 자체 하드웨어에서의 처리량을 확인해야 한다.

출처: 퀀텀비트