문서 분석(Document Parsing)이 여전히 어려운 이유

스캔된 페이지는 사람에게는 단순해 보이지만, 소프트웨어에게는 매우 무질서한 입력값입니다. 텍스트는 열(Column) 형태로 나타날 수 있고, 표(Table)는 여러 페이지에 걸쳐 있을 수 있으며, 공식(Formula)이 산문과 섞여 있을 수도 있습니다. 또한 차트(Chart)는 일반적인 OCR이 종종 깨진 텍스트로 뭉개버리는 정보를 담고 있기도 합니다. 전통적인 OCR 파이프라인(Pipeline)은 보통 작업을 여러 단계로 나눕니다: 레이아웃 감지(Layout detection), 텍스트 라인 찾기, 문자 인식(Character recognition), 그리고 구조 재구축 시도 순입니다. 이는 깨끗한 문서에서는 상당히 잘 작동하지만, 페이지에 혼합된 형식이 포함되어 있거나 읽기 순서가 명확하지 않을 때는 어려움을 겪습니다.

PaddleOCR-VL은 이러한 파이프라인을 더 실용적으로 만들기 위한 최근의 시도입니다. 공식 튜토리얼에 따르면, 이 모델은 NaViT 스타일의 동적 해상도 시각 인코더(Dynamic-resolution visual encoder)와 ERNIE-4.5-0.3B 언어 모델(Language model)을 중심으로 구축된 컴팩트한 문서 분석 모델이며, 레이아웃 분석을 먼저 수행한 후 VLM 기반 인식을 수행하는 2단계 흐름(Two-stage flow)을 가집니다. 현재 문서에서는 표, 공식, 차트 및 다양한 스크립트의 텍스트와 같은 문서 요소를 처리하도록 설계된 최신 버전인 PaddleOCR-VL-1.6을 언급하고 있습니다. 참조 구현에 대해서는 공식 사용 튜토리얼을 확인하세요.

모델이 실제로 수행하는 작업

중요한 설계 선택 사항은 PaddleOCR-VL이 전체 페이지를 하나의 일반적인 이미지 캡셔닝(Image captioning) 문제로 취급하지 않는다는 점입니다. 대신, 작업을 두 단계로 분리합니다:

1. 레이아웃 분석 (Layout analysis): 모델이 텍스트 블록, 표, 공식과 같은 페이지 요소를 감지 및 지역화(Localize)하고 읽기 순서를 결정합니다.
2. 인식 (Recognition): 잘려진(Cropped) 각 요소는 시각-언어 모델(Vision-language model, VLM)로 전달되어 Markdown 또는 JSON과 같은 구조화된 출력(Structured output)으로 변환됩니다.

그러한 분리가 중요한 이유는 페이지 구조(Page structure)가 종종 실제적인 난제이기 때문입니다. 만약 모델이 글자(Character)는 잘 인식하지만 표(Table)가 어디서 시작되는지 또는 행(Row)이 어떻게 정렬되어 있는지를 구분하지 못한다면, 그 출력물은 후속 단계(Downstream)에서 사용하기 어렵습니다. PaddleOCR-VL은 최종 텍스트가 생성되기 전에 구조를 온전하게 유지하려고 시도합니다.

Hugging Face의 모델 카드(Model card)에 따르면, 이 모델은 109개의 언어를 지원하며 0.9B 파라미터 설정을 사용합니다. 이는 단순한 OCR 이상의 기능을 수행하면서도 실질적인 배포(Deployment) 측면에서 흥미로울 만큼 충분히 작은 크기입니다. 모델 페이지는 여기에서 확인할 수 있습니다: PaddleOCR-VL on Hugging Face.

컴팩트한 크기가 중요한 이유

많은 문서 AI(Document AI) 시스템들이 데모에서는 훌륭해 보이지만, 실행 비용이 많이 듭니다. 송장(Invoice), 계약서(Contract), 연구 논문(Research paper) 또는 아카이브 스캔본을 대규모로 처리하고자 할 때 이는 문제가 됩니다. 더 작은 모델은 메모리 사용량을 낮추고, 지연 시간(Latency)을 줄이며, 더 저렴한 하드웨어에서 실행하기 쉽게 만들어 줄 수 있습니다.

PaddleOCR-VL이 흥미로운 이유는 최대 크기를 지향하기보다 균형을 목표로 하기 때문입니다. 모델 카드는 동적 해상도 시각 인코더(Dynamic-resolution visual encoder)와 상대적으로 작은 언어 모델(Language model)을 결합한 설계를 설명합니다. 모든 벤치마크(Benchmark)를 한계까지 밀어붙이는 것이 아니라, 품질과 비용 사이의 유용한 절충안(Tradeoff)을 얻는 것이 핵심 아이디어입니다. 많은 실제 시스템에서 이러한 절충안은 단일 정확도 수치보다 더 중요합니다.

vLLM 레시피(Recipe) 또한 이 모델이 단순히 오프라인 추론(Offline inference)뿐만 아니라 실질적인 서빙(Serving)을 위해 준비되고 있음을 보여줍니다. 배포 가이드(Deployment guide)는 vLLM을 사용하여 모델을 실행하는 방법과 OpenAI 스타일의 클라이언트 인터페이스를 통해 쿼리하는 방법을 설명합니다. 이를 통해 이미 채팅/완성(Chat/completions) API를 기대하는 기존 서비스에 통합하기가 더 쉬워집니다. 서빙에 대한 자세한 내용은 vLLM 레시피를 참조하세요.

실무에서 도움이 되는 부분

PaddleOCR-VL은 출력이 구조를 보존해야 하는 모든 곳에서 유용합니다. 여기에는 다음이 포함됩니다:

• 보고서 및 스캔본에서 표 (tables) 추출,
• 수식과 도표 (figures)가 포함된 연구 논문 읽기,
• 양식 및 송장 (invoices)을 구조화된 기록으로 변환,
• 동일한 페이지 내에 여러 문자가 혼합된 다국어 문서 처리.

PaddleOCR의 GitHub 저장소를 보면 2026년 5월 말의 최근 커밋을 포함하여 프로젝트가 활발하게 업데이트되고 있음을 알 수 있습니다. 이는 도입 측면에서 좋은 신호인데, 문서 파싱 (document parsing) 도구는 예외 케이스 (edge cases), 하드웨어 지원 및 패키징 문제에 대해 꾸준한 유지보수가 필요한 경우가 많기 때문입니다.

트레이드오프 (The tradeoffs)

이 설계에는 명확한 한계도 존재합니다.

첫째, 이 모델은 단일 엔드 투 엔드 (end-to-end) 방식의 마법 상자가 아닙니다. 문서에 따르면 전체 파이프라인 (pipeline)을 사용할 때 최상의 결과를 얻을 수 있습니다. 레이아웃 분석 (layout analysis)을 건너뛰고 VLM 단계만 입력하면 가치의 일부를 잃게 됩니다.

둘째, 시스템은 여전히 양호한 전처리 (preprocessing) 및 배포 (deployment) 선택에 의존합니다. 문서에는 NVIDIA GPU, Apple Silicon, AMD GPU 및 기타 설정에 대한 다양한 하드웨어 경로가 나열되어 있어 유용하지만, 이는 성능이 서빙 환경 (serving environment)에 민감하다는 것을 의미하기도 합니다.

셋째, OCR 방식의 시스템은 여전히 롱테일 (long-tail) 문서 문제에 직면해 있습니다. 모델이 일반적인 레이아웃은 잘 파싱할 수 있어도, 특이한 글꼴, 손상된 스캔본, 손글씨 메모 또는 읽기 순서가 이상한 문서에서는 실패할 수 있습니다. 모델의 경량화 (compactness)는 비용 측면에서 도움이 되지만, 사용자의 자체 문서에 대한 평가가 필요하다는 사실을 없애주지는 않습니다.

이번 릴리스가 주목할 만한 이유

여기서의 더 넓은 트렌드는 단순히 더 나은 OCR이 아닙니다. 그것은 취약한 텍스트 추출 (text extraction)에서 구조화된 문서 이해 (structured document understanding)로의 이동입니다. 모델이 페이지로부터 깨끗한 Markdown 또는 JSON을 생성할 수 있게 되면, 해당 출력을 검색 (search), 검색 증강 생성 (retrieval), 분석 (analytics) 또는 에이전트 (agent) 워크플로우에 입력하기가 더 쉬워집니다.

이것이 중요한 이유는 많은 기업 및 연구 시스템이 여전히 사후에 OCR 출력을 수정하는 데 너무 많은 노력을 소비하고 있기 때문입니다. PaddleOCR-VL과 같은 모델은 추론 (inference) 과정에서 레이아웃과 콘텐츠를 함께 유지함으로써 이러한 정리 단계를 줄이고자 노력합니다.

직접 각 구성 요소를 비교해 보고 싶다면, 공식 PaddleOCR-VL 튜토리얼, Hugging Face 모델 카드, vLLM 배포 레시피, 그리고 PaddleOCR GitHub 저장소가 가장 유용한 자료입니다. 이 자료들을 종합해 보면, 이 모델이 단순히 벤치마크 (benchmark)용이 아니라 실제로 사용되도록 설계되었음을 알 수 있습니다.

결론

PaddleOCR-VL은 문서 AI (document AI)가 어떻게 변화하고 있는지를 보여주는 유용한 사례입니다. OCR을 단순한 문자 인식 (character-recognition) 작업으로 취급하는 대신, 레이아웃 탐지 (layout detection), 다국어 인식 (multilingual recognition), 그리고 구조화된 출력 (structured output)을 하나의 시스템으로 결합합니다. 결과가 완벽하지는 않지만, 모든 단계를 지나치게 공격적으로 분리했던 기존의 파이프라인 (pipeline)보다 실제 운영되는 문서 워크플로 (production document workflows)에 더 현실적으로 부합합니다.