이전 게시물에서 저는 MinerU, Granite-Docling, 그리고 PaddleOCR-VL을 비교했습니다. 많은 댓글 작성자들이 본인들이 선호하는 파서들을 추가해 달라고 제안했습니다. 그래서 그렇게 했습니다. 또한 상위 모델들을 차별화하기 위해 몇 가지 새로운 기능(capabilities)도 추가했습니다. 비교된 파서의 전체 목록은 다음과 같습니다:

• MinerU 2.5 (1.2B VLM)
• Granite-Docling (258M VLM)
• PaddleOCR-VL (0.9B VLM)
• XBerg 1.0 (텍스트 레이어 파서 (text-layer parser), CPU)
• HURIDOCS PDLA v0.0.35 (VGT 레이아웃 모델 + Tesseract)
• LiteParse 2.11 (Tesseract 기반, CPU)
• Chandra (Datalab의 OCR 모델)
• LightOnOCR-1B

제가 발견한 점:
Chandra가 압도적인 성적을 거두었습니다: 14개 항목 중 14개 모두 충실했습니다. 실제 병합된 셀이 있는 HTML 표, 정확한 LaTeX (디스플레이 및 인라인), 1909년 필기체에 대해 거의 완벽했으며, 8개의 파서 중 1904년 페이지의 이탤릭체(italics)를 유지한 유일한 파서였습니다. 얼룩 부분에 대해서는 추측하는 대신 건너뛰는 올바른 처리를 했습니다.

주의할 점:
L4 GPU 기준 페이지당 91초가 소요되었습니다.
필기체(handwriting) 열은 처참했습니다. XBerg, LiteParse, PDLA는 노이즈를 반환하거나 말 그대로 아무것도 반환하지 않았습니다 (필기체는 고전적인 OCR을 무력화합니다). Granite는 출력물에 가공되지 않은 DocTags를 유출했습니다. PaddleOCR-VL은 대부분을 읽었지만, 단순한 "Maude"를 귀족적인 "Maulevrier"로 지어냈습니다. LightOnOCR은 읽을 수 없는 얼룩 위에 유창하고 자신감 있게 틀린 텍스트를 작성했는데, 이는 사용 사례를 고려할 때 가장 우려되는 실패 유형입니다.

LightOnOCR-1B는 그 크기에 비해 인상적입니다: 실제 LaTeX, 깔끔한 파이프 표(pipe tables), L4 기준 페이지당 7.9초가 소요되었습니다. 하지만 문장 중간에 한 페이지의 끝부분을 놓쳤고 필기체에 대해 환각(hallucination)을 일으켰습니다.

이전과 동일한 공개 사항: 처음 세 개의 VLM 행은 hexread.com(제 제품)에서 실행되었으며, 나머지는 로컬 또는 L4에서 실행되었습니다.

수정: 참고를 위해 소스, 원본 출력물, 테스트 파일 및 스크립트가 이 리포지토리(repo)에 있습니다: alaamroue/pdf-parser-bench