여전히 많은 기업 데이터가 PDF와 스캔본, 슬라이드 문서 안에 갇혀 있다. 거대언어모델(LLM)과 에이전트가 이 데이터를 쓰려면 구조화된 JSON으로 바꿔야 하는데, 오픈소스 문서 추출 기술이 자체 서버에서 이 변환을 처리하는 표준 방식으로 자리 잡고 있다. 이 작업은 사실 두 갈래로 나뉜다. 하나는 사용자가 정의한 필드에 값을 채우는 ‘스키마 기반 추출’이고, 다른 하나는 페이지 전체를 구조화된 JSON이나 마크다운으로 재구성하는 ‘문서 파싱’이다. 어떤 범주를 골라야 하는지 잘못 판단하면 실질적인 시간 손실로 이어진다.
스키마 기반 추출에서는 데이터랩(Datalab)의 90억 파라미터 비전 모델 리프트(lift)가 JSON 스키마를 입력받아 그에 맞는 값을 반환한다. 스키마 제약 디코딩으로 항상 유효한 JSON을 보장하며, 데이터랩의 225개 문서 벤치마크에서 필드 정확도 90.2%, 중간 응답속도 9.5초를 기록해 뉴마인드(NuMind)의 뉴익스트랙트3(81.5%)와 큐원3.5-9B(76.3%)를 앞섰다. 다만 제미나이 플래시3.5(91.3%)와 데이터랩 자체 호스팅 API(95.9%)에는 못 미쳤고, 문서 전체를 완벽히 추출하는 정확도는 20.9%에 그쳐 모든 필드를 한 번에 맞히는 일은 여전히 어렵다는 점도 드러났다. 뉴익스트랙트3는 40억 파라미터 모델로 구조화 추출과 OCR을 한 모델에 통합했다.
문서 파싱 범주에는 IBM 연구진이 시작해 현재 LF AI & 데이터 재단이 관리하는 도클링(Docling)이 있다. 레이아웃과 읽기 순서, 표, 수식을 보존하며 마크다운·HTML·JSON·닥태그(DocTags) 형식으로 출력하고 MIT 라이선스로 배포된다. IBM은 이 파이프라인에서 원샷 변환을 수행하는 2억5800만 파라미터의 경량 모델 그래나이트-도클링(Granite-Docling-258M)도 함께 내놓았으며, A100 GPU에서 페이지당 약 0.35초의 처리 속도를 보인다. 오픈데이터랩과 상하이AI연구소가 만든 마이너U(MinerU)는 최근 라이선스를 AGPL-3.0에서 아파치2.0 기반의 자체 라이선스로 변경해 상업적 배포 장벽을 낮췄다.
앨런AI연구소(Ai2)의 올름OCR2(olmOCR 2)는 검증 가능한 보상을 활용한 강화학습으로 훈련된 70억 파라미터 OCR 특화 모델로, 자체 벤치마크인 올름OCR-벤치에서 82.4점을 기록했고 자체 GPU 기준 100만 페이지당 약 178달러의 비용이 든다고 추산됐다. 딥시크가 2025년 10월 공개한 딥시크-OCR은 텍스트가 많은 페이지를 압축된 비전 토큰으로 표현하는 ‘문맥 광학 압축’ 기법을 도입해 긴 문서를 훨씬 적은 토큰으로 처리하며, 3B 규모의 전문가 혼합(MoE) 구조에서 토큰당 약 5억7000만 파라미터만 활성화한다. 2026년 1월에는 후속작 딥시크-OCR2도 공개됐다.
전문가들은 이들 벤치마크 점수가 서로 다른 평가 세트에서 나온 만큼 직접 비교는 어렵다고 강조한다. 리프트의 90.2%는 데이터랩 자체 스키마 벤치마크의 필드 정확도이고, 올름OCR2(82.4점)와 마커(Marker, 76.1점)의 올름OCR-벤치 점수는 유닛 테스트 기반의 콘텐츠 추출 성능을 측정한 결과다. 결국 실제 도입 전에는 자신의 문서를 각 후보 모델에 직접 돌려보는 검증이 필요하다는 게 공통된 조언이다.
저작권자 © STORIUM 무단전재 및 재배포 금지
