내가 이걸 하고 있다니 믿기지 않네요. 방금 가장 큰 규모의 합성 병렬 다국어 OCR 데이터셋을 오픈 소스로 공개했습니다.

요약

22개 언어를 지원하는 100만 개 이상의 문서 이미지를 포함한 대규모 합성 병렬 다국어 OCR 데이터셋을 오픈 소스로 공개했습니다. OCR부터 문서 VLM 사전 학습까지 6가지 주요 태스크를 지원합니다.

핵심 포인트

• 22개 다국어 지원 및 100만 개 이상의 문서 이미지 포함
• OCR, 레이아웃 탐지, 문서 VQA 등 6개 태스크 지원
• 2026년에는 5배 더 큰 규모의 데이터셋 공개 예정