ThakiOCR 모델

ThakiCloud가 공개한 문자 인식 모델 네 개를 한곳에 모았습니다. 네 모델 모두 연구용 공개이며 제품 출시가 아닙니다. 모델마다 입력 단위, 필요한 하드웨어, 평가 방식이 다르므로 아래 숫자는 모델 사이의 순위가 아닙니다.

쉽게 말하면

네 모델은 같은 공구함에 든 서로 다른 공구입니다. 작은 드라이버는 주머니에 넣고 다니며 하루에 수천 번 쓸 수 있고, 전동 드릴은 무겁지만 단단한 벽을 뚫습니다. 어느 공구가 더 좋으냐보다 지금 하려는 일에 어느 공구가 맞느냐가 중요합니다.

한눈에 보기

이 표는 규모와 쓰임새만 정리합니다. 성능 수치는 모델별 카드에 평가 계약과 함께 따로 적었습니다.

모델 규모 입력 단위 실행 환경 공개 상태 라이선스
ThakiOCR-KOEN-V1-Dense 213만 파라미터 텍스트 한 줄(한국어·영어) CPU 연구용 공개 Apache-2.0
ThakiOCR-KOEN-G2M-Preview 893만 파라미터 텍스트 한 줄(한국어·영어) CPU 연구 프리뷰, A1_GEN2_NO_GO Apache-2.0
ThakiOCR-KO-v1 0.9B급 기반 모델 + LoRA 639만 파라미터 한국어 단어 이미지 한 장 GPU 연구 프리뷰 Apache-2.0
ThakiOCR-Large-27B-R2B 27B 기반 모델 + LoRA 2억 3,350만 파라미터 한국어 단어 이미지 한 장 GPU(bf16 약 53GB) 연구 프리뷰 Apache-2.0

KO-v1과 Large-27B-R2B는 LoRA 어댑터만 공개합니다. 기반 모델(ATH-MaaS/OvisOCR3, Qwen/Qwen3.6-27B)은 각 카드에 적힌 고정 리비전으로 따로 내려받아야 합니다.

모델 카드

아래 네 카드의 수치는 평가 세트와 지표가 서로 달라 모델 간 순위가 아닙니다. 각 수치 옆에 어떤 조건에서 쟀는지를 함께 적었습니다.

ThakiOCR-KOEN-V1-Dense

  • 규모: 2,130,249 파라미터. 이 가운데 약 183만 개가 14,152자를 출력하는 마지막 층에 있습니다.
  • 용도: 잘라 낸 텍스트 한 줄을 읽는 CPU용 작은 기준선입니다. 줄 검출기나 레이아웃 모델 뒤에 붙여 씁니다.
  • 대표 지표: 실문서 한국어 개발 세트 CER 37.14%, 공백을 무시하면 17.81%입니다.
  • 평가 계약: AI 허브(AI-Hub)의 OCR 데이터(공공)(71299) 검증 데이터 일부의 단어 이미지 5,000개, 평가 전용입니다. 독립 시험 세트가 아닌 개발용 측정이며, 탐욕적 CTC 디코딩과 NFC 정규화 뒤 정확 일치로 채점했습니다. 학습 데이터와 같은 원천의 합성 한국어 세트에서는 CER 16.70%입니다.
  • 속도: 폭 512픽셀 줄 한 장 기준 데이터센터 서버 CPU 4스레드에서 중앙값 5.61ms입니다.
  • 한계: 실제 한국어 단어 이미지의 38%에서 음절 사이에 없는 공백을 넣습니다.
  • 학습 데이터: NVIDIA OCR-Synthetic-Multilingual-v1(CC BY 4.0)만 썼습니다. AI 허브 데이터는 학습에 쓰지 않았습니다.
  • 라이선스: 코드와 가중치 모두 Apache-2.0입니다.
  • 링크: Hugging Face · 관련 글 ThakiOCR A 공개
  • 공개 상태: 연구용 공개(research release)입니다. 단일 시드 결과입니다.

ThakiOCR-KOEN-G2M-Preview

  • 규모: 8,926,251 파라미터입니다. V1-Dense와 같은 계열의 줄 단위 CTC 인식기를 키우고 처음부터 다시 학습했습니다.
  • 용도: 원화 기호, 날짜, 원문자, 마스킹 숫자처럼 기호를 지켜야 하는 줄 인식 연구에 씁니다. CPU에서 한 줄 중앙값 13.3ms였습니다.
  • 대표 지표: 실문서 보류 세트의 텍스트 줄 CER 0.89%, 자체 생성 기호 시험 세트의 중요 토큰 엄격 일치율 94.2%입니다.
  • 평가 계약: 실문서 보류 세트는 AI 허브(AI-Hub)의 OCR 데이터(공공)(71299) Training 분할 가운데 학습에서 뺀 한 권의 줄 70개입니다. 기호 시험 세트는 학습과 문장이 겹치지 않게 새로 생성한 합성 줄 5,991개입니다. 두 세트 모두 학습 뒤 한 번만 열었고 미리 정한 기준은 바꾸지 않았습니다.
  • 한계: 미리 정해 둔 합격 기준(사전등록 게이트) 다섯 개 가운데 날짜 기준(I4)에서 떨어졌습니다. 실문서 날짜 토큰 4개 중 3개만 맞혔습니다.
  • 라이선스: Apache-2.0입니다. 학습 데이터는 세 가지입니다. NVIDIA OCR-Synthetic-Multilingual-v1(CC BY 4.0), SIL OFL 1.1 글꼴로 만든 자체 기호 합성 줄, AI 허브(AI-Hub)의 OCR 데이터(공공)(71299) Training 분할입니다.
  • 링크: Hugging Face · 관련 글 G2M 공개
  • 공개 상태: 연구 프리뷰이며 판정은 A1_GEN2_NO_GO입니다. 금융·계약 문서의 금액, 계좌번호, 날짜 같은 중요 필드를 이 모델로 자동 처리하면 안 됩니다.

ThakiOCR-KO-v1

  • 규모: 0.9B급 문서 OCR 모델 ATH-MaaS/OvisOCR3에 붙이는 LoRA 어댑터(rank 16, 디코더 전용, 학습 파라미터 639만 개, 25.6MB)입니다.
  • 용도: 한국어 단어 이미지 한 장을 글자로 옮깁니다. 손글씨, 인쇄체, 야외 촬영 글자를 학습했고 기반 모델의 표·읽기 순서 능력을 깨지 않도록 선택했습니다.
  • 대표 지표: 고정 개발 세트 단어 2,400개에서 CER이 기반 모델 25.28%에서 7.78%로 내려갔습니다.
  • 평가 계약: 개발 세트는 학습에 쓴 데이터셋 세 개의 공식 Validation 분할에서 원천별 600개씩 뽑았습니다. 같은 원천이므로 독립 시험 세트가 아닙니다. 탐욕적 디코딩, NFC 정규화와 공백 제거 뒤 CER로 쟀습니다. 문서 구조는 결과를 보기 전까지 열지 않은(봉인) 합성 표 50쪽에서 표 구조 정확 일치 1.00(기반 0.98)으로 “기반 모델보다 나빠지지 않았는가”만 확인했습니다.
  • 속도·메모리: B200 한 장, 배치 1에서 중앙값 0.210초, 최대 메모리 7.02GiB입니다.
  • 한계: 단어 단위로만 학습·평가했습니다. 실제 문서 전체 페이지를 읽는 품질은 독립 검증하지 않았습니다.
  • 학습 데이터: AI 허브(AI-Hub)의 대용량 손글씨 OCR 데이터(605), 다양한 형태의 한글 문자 이미지 인식 데이터(91), 야외 실제 촬영 한글 이미지 데이터(105)입니다. 데이터와 그 가공물은 재배포하지 않습니다.
  • 라이선스: Apache-2.0입니다. 기반 모델은 그 모델의 라이선스를 따릅니다.
  • 링크: Hugging Face · 관련 글 KO-v1 공개
  • 공개 상태: 연구 프리뷰입니다.

ThakiOCR-Large-27B-R2B

  • 규모: Qwen/Qwen3.6-27B에 붙이는 LoRA 어댑터(rank 32, 디코더 선형층 496개, 학습 파라미터 2억 3,350만 개)입니다.
  • 용도: 한국어 단어 이미지 한 장을 글자로 옮기는 대형 모델 연구용입니다. 희귀 글자가 섞인 단어를 더 자주 뽑아 학습했습니다.
  • 대표 지표: 고정 개발 세트 단어 2,400개에서 CER이 기반 모델 18.04%에서 6.01%로 내려갔습니다. 단어 전체 일치율은 85.2%입니다.
  • 평가 계약: 개발 세트는 학습에 쓴 데이터셋 세 개의 공식 Validation 분할에서 원천별 600개씩 뽑았고 독립 시험 세트가 아닙니다. 파일·픽셀·원본 이미지 해시로 학습과 겹침이 없는지 확인했고 탐욕적 디코딩으로 쟀습니다. 차이의 신뢰구간은 결과를 보기 전에 정한 층화 쌍체 부트스트랩으로 냈습니다.
  • 하드웨어: bf16, 배치 1에서 GPU 메모리 약 53GB, B200 한 장에서 단어 하나당 중앙값 약 0.46초입니다.
  • 한계: 균등 추출 어댑터(R2-A) 대비 추가 개선 0.41%p는 통계적으로 경계선입니다.
  • 학습 데이터: KO-v1과 같은 AI 허브(AI-Hub) 데이터셋 605·91·105입니다. 데이터와 그 가공물은 재배포하지 않습니다.
  • 라이선스: Apache-2.0입니다. 기반 모델은 그 모델의 라이선스를 따릅니다.
  • 링크: Hugging Face · 관련 글 Large-27B-R2B 공개
  • 공개 상태: 연구 프리뷰입니다. 전문 OCR 모델보다 낫다고 주장하지 않습니다.

KO-v1과 Large-27B-R2B의 개발 세트는 구성 방식이 비슷하지만, 평가 이미지·전처리·디코딩·정답 처리가 같은지 검증하지 않았습니다. 그래서 두 모델을 이 숫자로 비교하지 않습니다.

네 카드 모두 GitHub 저장소 링크는 없습니다. 추론 코드는 각 저장소에 들어 있습니다(V1-Dense·G2M은 inference.py, KO-v1·Large-27B-R2B는 inference_example.py).

어떤 걸 골라야 하나

고르는 기준은 숫자 순위가 아니라 입력 단위와 하드웨어입니다.

  • GPU가 없고 줄 단위로 빠르게 읽어야 한다면 V1-Dense나 G2M을 봅니다. 둘 다 줄 검출기가 잘라 준 한 줄을 받습니다.
  • 원화 기호, 원문자, 마스킹 숫자가 중요한 줄이라면 G2M을 봅니다. 다만 띄어쓰기가 들어간 날짜와 ₩·￦ 구분에는 약하므로 사람 확인 단계를 둡니다.
  • 가장 가벼운 기준선이나 처음부터 학습하는 구조가 궁금하다면 V1-Dense를 봅니다. 합성 데이터만으로 학습했을 때 실문서에서 무엇이 무너지는지 보여 줍니다.
  • 손글씨나 촬영 글자가 섞인 한국어 단어를 GPU 한 장(약 7GiB)으로 읽어야 한다면 KO-v1을 봅니다. 기반 모델의 표 구조 능력을 유지하는 쪽을 택한 어댑터입니다.
  • GPU 메모리 53GB 이상을 쓸 수 있고 대형 모델이 단어 OCR을 어디까지 배우는지 연구한다면 Large-27B-R2B를 봅니다.

모든 모델은 금융·법률·신분 문서의 중요 필드를 사람 확인 없이 읽는 용도로 쓰면 안 됩니다. 모델을 나눠 배치하는 방법은 Metis 계층형 문서 추론 글에 정리했습니다. 검증 뒤에만 업무에 반영하는 흐름은 Paxis 검증 워크플로 글에 정리했습니다.

연구에 쓰려면

  1. Hugging Face에서 받습니다. 각 카드의 Files 표에 가중치, 설정, 추론 코드가 있습니다. 어댑터 모델은 카드에 적힌 기반 모델 리비전을 그대로 고정합니다.
  2. 카드의 추론 코드로 먼저 재현합니다. 카드에 적힌 전처리, 프롬프트, 디코딩 설정 밖에서는 평가하지 않았습니다. V1-Dense와 G2M은 python inference.py --demo로 바로 확인할 수 있습니다.
  3. 문서를 읽습니다. 카드의 Known limitations 절과 관련 블로그 글에 실패 유형과 평가 세트 구성이 있습니다. 네 모델이 왜 크기가 다른지는 한국어 OCR 오픈소스 모델 4종 비교에 정리했습니다.

도입을 검토한다면

  1. 사용 사례를 정합니다. 문서 종류, 입력 단위(줄·단어·페이지), 하루 처리량, 틀리면 안 되는 필드를 먼저 적습니다. 네 모델은 모두 페이지에서 글자 위치를 찾지 않으므로 검출 단계가 따로 필요합니다.
  2. 보안·온프레미스 조건을 확인합니다. 가중치를 내려받아 내부망에서 돌릴 수 있습니다. 학습과 서빙을 고객 환경 안에서 운영하는 구성은 Maxis 학습 글과 Metis 계층형 추론 글에서 다룹니다.
  3. 기술 문의를 남깁니다. 자체 문서로 평가하거나 플랫폼에 올리는 상담은 ThakiCloud로 문의하시면 됩니다.

개발 중

개발 중인 모델입니다. 성능 수치는 공개하지 않습니다. ThakiOCR-KO-v2: 독립 평가에 쓸 문서·손글씨 데이터가 부족해 공식 평가를 하지 못했고 공개를 보류했습니다. 성능이 나빠서 보류한 것이 아닙니다. ThakiSight-Edge: 학습을 진행하고 있습니다.

관련 글

아래 목록은 thakiocr 태그가 붙은 글 전체입니다. 주요 글은 다음과 같습니다.

노이즈 네이바(The Noisy Neighbor): 야간 커레이터가 2,200스킬 공유 레지스트리를 고치는 동안 무인 라우팅 루프가 변화 중 상태에서 치르는 임시적 품질 적자와 토큰 비용 팽창을 간섭 계수로 정가하고, 프리즈 윈도우의 브레이크이븐 부등식과 registry-lock 정책, 7팔 사전등록 프로토콜까지 유도한 분석 논문

두 루프가 가변 레지스트리 하나를 공유하고, 그중 하나가 밤새 고칩니다.

증명이 제품이 된 날

MIT의 가중치 편집은 로그를 들여다본 뒤에야 주장이 빗나간 것이 드러났습니다.

마크다운이 실행 파일이 된 날

웹 페이지가 Downloads 폴더에 AGENTS.md 한 장을 놓기만 하면, 그 폴더에서 일하는 코딩 에이전트가 공격자의 지침을 따르기 시작합니다.

The Autonomy Ladder: Kubernetes 인시던트를 복구 복잡도 L1에서 L3으로 층분할하면, 무인 복구가 안전하고 싼 경계는 nominal 시나리오에서 L2까지이며, 그 경계와 인시던트당 비용은 허락 전에 계산할 수 있습니다

LLM 에이전트가 Kubernetes 인시던트를 사람 개입 없이까지 끌고 갈 수 있는 깊이는 어디까지이며, 인시던트당 비용은 얼마이며, 어디서부터 사람이 루프에 남아야 하는가.

로켓이 AI에 400억 달러를 빌린 날

SpaceX가 AI 컴퓨트 조달에 400억 달러 부채를 쓴 사이, AI 전용 뉴클라우드 200곳 이상은 자금 문이 닫히고 있다는 경고가 나왔습니다.

요새가 메워졌다

DeepSeek의 신규 공개 추론 엔진 DeepInfer, 오픈 프레임워크 SGLang과 vLLM이 그 성능을 맞먹거나 넘어서는 수준으로 따라잡았습니다.

많이 먹는 AI, 많이 빌리는 AI

같은 주, 애플은 메모리 공급을 ‘절대적 위기’라 불렀고 코어위브의 부채는 반도체 지수를 삼켰습니다.

블랙박스 신화가 끝난 아침

조 단위(trillion) 파라미터 모델을 대상으로 한 연구에서, 신경망의 엉킨 매듭은 이전의 과학적 합의를 뒤집을 만큼 단순하다는 것이 확인됐습니다.

모델이 더 이상 메뉴가 아니다

한국 ‘모두의 AI’의 50/30 강제 배합부터 카카오톡의 모델 라우팅까지, 오늘의 뉴스 18건은 한 지점을 가리킨다.

증거가 된 대화

미 DOJ가 전 OpenAI 엔지니어의 챗봇 계정을 도청 용의자와 연결했다.

19.2%짜리 1위

Zai의 GLM-Legal이 오픈웨이트 법률 AI 1위에 올랐지만, 그 1위가 받은 성적은 19.2%였습니다.

한 달, 1.8조원

루이지애나 데이터센터를 한 달 일찍 켜면 1.8조원이 생깁니다.

문제가 재산이 된 날

OpenAI의 700편 논문 공개, 하루 만에 69.13% 개선된 정수 곱셈, 공개를 멈추겠다는 수학자의 경고.

칩이 대출을 받은 날

아마존은 80억 달러어치 칩을 팔고 다시 빌려 쓰는 구조를 검토 중입니다.

출시 취소 하나가 움직인 지형

GPT-6.1 Astra의 10월 출시가 안전 문제로 철회된 주, 실제로 일한 층은 이미 중급 모델과 에이전트, 구독 계약으로 내려와 있었다.

야근을 맡은 AI

국가정보원의 사람 없는 AI 사이버 방어팀 ‘프로젝트 팔랑크스’가 실전에 투입됐고, 젠슨 황은 사이버보안을 AI의 다음 성장축으로 선언했습니다.

두 번의 판결, 같은 말 '통제

법원은 모델의 안전 장치를 국가안보 위협으로 규정했고 같은 회사의 최고경영자는 안전 장치 없는 에이전트를 인류의 위협으로 경고했습니다.

시험실에 문이 없었다

Grok 4.7이 코딩 벤치마크 도중 네트워크 제약을 우회해 기존 정답을 밖에서 가져왔습니다.

모델이 여권을 가진 날

같은 아침, OpenAI는 독립 모델 감사로 미국이 글로벌 표준을 주도할 것을 촉구했고 중국은 3500만 건의 데이터 유출을 이유로 DeepSeek와 Moonshot을 조사하고 있다.

비이커를 든 AI

앤스로픽이 샌프란시스코 베이어리에 웻 랩을 열었습니다.

직원급 접근 권한, 외부인에게 내어주다

OpenAI는 외부 안전 검토자에게 직원과 같은 수준의 접근을 약속했고, Anthropic은 METR에 직원급 영구 접근을 부여한 주에 과학자의 계정은 생물무기 위험 이유로 차단했습니다.

보안, 다음 시장이 아니라 출근한 시장

젠슨 황이 ‘다음 AI 거대 시장’이라 부른 사이버 보안에서, 같은 날 네이버는 2000억 원짜리 보안 특화 모델 베팅을 꺼냈고 네이버클라우드는 소버린 AI의 다음 무대로 보안을 지목했습니다.

주권에 이율이 붙은 날

팔란티어가 소버린 AI 우선 파트너로 선정한 GPU 클라우드 네비우스의 조달 조건은 7억7500만달러, SOFR 더하기 2.50퍼센트, 만기 2030년.

가장 강한 모델이 영수증 없이 들어온 주

OpenAI GPT-6 Astra는 FrontierMath Tier 4에서 98%를 기록한 반면 모니터가능성 하락과 함께 공개됐고 정렬 개선의 출처를 설명하는 시스템 카드 문장도 빠져 있습니다.

손잡이가 콘퍼런스가 되다

AI MSP(관리형 서비스 제공) 전쟁은 사실 콘퍼런스 경쟁이고, ‘서버실은 어디요?’ 질문에 대한 답은 다음 콘퍼런스 초대장이었습니다.

AI가 손 4번이면 중고서?

대형 AI 업체가 리셀러·SI 채널을 확대한다더니, 그 AI를 실제로 돌린 사람은 누구? 손 4번이면 중고서가 된다니까.

찢겨 내린 가격표가 붙은 세 곳

전 국민 무료 AI 사업자가 확정되었고, 엔비디아 이익은 사상 최대를 찍었지만 소비자는 여전히 무료만 택합니다.

되돌릴 수 있어야 보내는 것

프로덕션 배포가 무너지는 지점은 새 버전이 올라가는 순간이 아니라, 잘못됐을 때 돌아갈 곳이 없는 순간입니다.

AI가 같은 날 두 방향으로 움직인 날

같은 날 OpenAI는 10조 파라미터와 자체 칩을, Anthropic은 30조 달러 시장을, Perplexity는 에이전트 런타임 전체를 책상 위의 박스 하나에 넣었습니다.

에이전트의 일을 '프로토콜'로 만든 날

Anthropic의 Claude Managed Agents를 AG-UI 프로토콜과 CopilotKit으로 연결한 새 쿡북을 설치하고 프로토콜 레벨에서 HITL 인터럽트-재개 흐름을 직접 실험했습니다.

화질 깎는 데 5천 원

30초짜리 480p 영상 한 편에 4달러 12센트, 그중 상당수가 화면을 일부러 거칠게 만드는 값이었습니다.

고마워를 일곱 나라 말로

이 영상은 한국어, 영어, 일본어, 중국어, 프랑스어, 러시아어, 아랍어 일곱 가지 말로 고맙다는 인사를 배우는 아이용 짧은 수업입니다.

집에서 도는 지능: Personal AI Computer와 온프렘 서빙의 경제학

tom_doerr가 공유한 최대 384GB VRAM Personal AI Computer 빌드 가이드를 출발점으로, VRAM이 어떻게 실행 가능한 모델을 결정하는지 계산으로 따져보고, 이 개인용 한 대를 조직 규모의 온프렘 서빙으로 올릴 때 무엇이 필요한지 ThakiCloud ai-platform 관점에서 정리합니다.

기술적 역량을 넘어선 커리어 성장 전략

기술적 우수성은 모든 커리어의 기초이지만, 진정한 성장을 위해서는 기술적 능력, 제품 사고, 프로젝트 실행, 그리고 인간관계 기술이라는 네 가지 핵심 역량을 균형 있게 발전시켜야 합니다.