내가 이걸 하고 있다니 믿기지 않네요.
방금 가장 큰 규모의 합성 병렬 다국어 OCR (Optical Character Recognition) 데이터셋을 오픈 소스 (Open Sourced)로 공개했습니다.

100만 개 이상의 문서 이미지 (Document Images)

22개 언어 (Arabic, Bengali, German, English, Spanish, French, Gujarati, Hindi, Italian, Japanese, Kannada, Korean, Malayalam, Marathi, Odia, Punjabi, Russian, Sanskrit, Tamil, Telugu, Thai, Chinese)

6개 태스크 (OCR, 레이아웃 탐지 (Layout Detection), 레이아웃 인식 번역 (Layout-aware Translation), 문서 VQA (Document VQA), 교차 언어 검색 (Cross-lingual Retrieval), 문서 VLM 사전 학습 (Document VLM Pretraining))

추신: 이것은 2025년 코퍼스 (corpus)입니다. 2026년 버전은 약 5배 더 큽니다 (~440만 개의 이미지, 더 선명한 렌더링, 더 깨끗한 주석 (annotations)). 더 자세한 정보는 @cognitivelab_ai 에 문의하거나 contact@cognitivelab.in 으로 연락해 주세요.