ThakiOCR A: 213만 파라미터 자체 한국어·영어 OCR을 공개했습니다

ThakiCloud가 처음부터 직접 학습한 한국어·영어 OCR 모델 ThakiOCR A를 Hugging Face에 ThakiOCR-KOEN-V1-Dense라는 이름으로 공개했습니다. 파라미터는 213만 개이고 코드와 가중치 모두 Apache-2.0 라이선스입니다.

이 글은 작은 OCR 모델을 직접 만들어 보려는 엔지니어와 연구자를 위한 글입니다. 왜 이렇게 작게 시작했는지, 무엇으로 학습했는지, 실제 문서에서 어디가 약한지를 숨기지 않고 정리합니다. 이 모델은 연구용 공개이며 제품 출시가 아닙니다.

쉽게 말하면

ThakiOCR A는 글자 연습장으로만 공부한 학생과 비슷합니다. 반듯하게 인쇄된 연습장 글씨는 잘 읽지만 실제 서류를 처음 보면 글자 사이 간격을 잘못 판단합니다. 연습장의 간격과 실제 서류의 간격이 다르기 때문입니다.

그래도 이 학생은 아주 가볍고 빠릅니다. 이후 모델들은 이 학생에게 실제 서류를 보여 주는 방향으로 발전했습니다.

왜 작은 모델부터 만들었나

문서 OCR에는 이미 큰 문서 VLM이 많습니다. 그런데 기업 문서 처리에서는 같은 줄 이미지를 하루에 수십만 번 읽어야 하는 경우가 많고 GPU가 없는 온프레미스 서버나 단말에서 돌려야 하는 경우도 있습니다. 이런 환경에서는 CPU에서 수 밀리초 안에 한 줄을 읽는 모델이 필요합니다.

또 하나의 이유는 통제입니다. 직접 학습한 모델은 어떤 데이터가 들어갔는지, 어떤 글자를 출력할 수 있는지를 모두 알고 있습니다. 금융 문서처럼 기호 하나가 중요한 영역에서는 이 투명성이 모델을 개선하는 출발점이 됩니다.

무엇을 만들었나

ThakiOCR A는 잘라 낸 텍스트 한 줄의 이미지를 받아 문자열을 돌려주는 줄 단위 인식 모델입니다. 페이지에서 글자 영역을 찾는 기능은 없으므로, 앞단에 텍스트 검출 모델이나 레이아웃 모델을 붙여 써야 합니다.

flowchart TB
    A["줄 이미지 입력<br/>회색조 · 높이 48픽셀로 맞춤"] --> B["합성곱 줄기<br/>세 번의 축소 단계"]
    B --> C["높이 방향 평균 풀링<br/>128차원 투영"]
    C --> D["깊이별 1차원 합성곱 블록 2개<br/>게이트 피드포워드"]
    D --> E["출력층<br/>14,152자 + 공백 기호"]
    E --> F["탐욕적 CTC 디코딩<br/>언어 모델 없음"]
    F --> G["문자열 출력"]

출력 단위는 한글 음절 하나가 한 클래스입니다. 현대 한글 음절 11,172자 전체와 ASCII, 자모, 기호를 포함해 14,152자를 출력할 수 있습니다. 그래서 전체 213만 파라미터 가운데 약 183만 개가 마지막 출력층에 있고 실제로 이미지를 읽는 부분은 약 30만 개입니다. 한국어 OCR에서 어휘 크기가 모델 크기를 좌우한다는 점을 보여 주는 구성입니다.

무엇으로 학습했나

학습 데이터는 NVIDIA가 CC BY 4.0으로 공개한 OCR-Synthetic-Multilingual-v1의 한국어·영어 학습 파일 하나씩뿐입니다. 문서 단위로 학습용과 평가용을 나눈 뒤 학습용 879,645줄(한국어 435,510줄, 영어 444,135줄)로 학습했습니다.

B200 GPU 한 장에서 20,000스텝, 1,407초 동안 학습했습니다. 마지막 스텝의 체크포인트를 그대로 썼고 평가 세트를 보고 체크포인트를 고르지 않았습니다. AI Hub 데이터는 학습에도 어휘 구성에도 쓰지 않았습니다.

나온 결과

평가 세트	설명	글자 오류율(CER)
합성 한국어	학습에 없던 문서의 NVIDIA 합성 줄	16.70%
합성 영어	같은 방식의 영어 줄	11.08%
실문서 한국어	AI Hub 71299 검증 데이터 일부의 단어 이미지, 평가 전용	37.14%

합성 세트는 학습 데이터와 같은 생성기에서 나왔기 때문에 실제 문서를 읽는 성능보다 좋게 나옵니다. 실문서 세트는 개발용 측정이며 독립 시험 세트가 아닙니다.

실문서에서 오류율이 37.14%로 높은 이유는 대부분 공백입니다. 공백을 무시하고 계산하면 17.81%로 떨어집니다. 실제 한국어 단어 이미지의 38%에서 모델이 음절 사이에 없는 공백을 넣었습니다. 예를 들어 ‘평면도’를 ‘평 면 도’로 읽습니다. 합성 줄의 띄어쓰기 통계가 스캔한 문서와 다르기 때문입니다.

속도는 폭 512픽셀 줄 이미지 한 장 기준으로 B200 GPU에서 중앙값 1.29ms, 데이터센터 서버 CPU 4스레드에서 5.61ms였습니다.

공개 전에 확인한 것

공개 저장소에는 가중치, 설정, 어휘 파일, 추론 코드, 모델 카드, 라이선스 파일만 올렸습니다. 학습 데이터는 넣지 않았습니다.

공개로 바꾼 뒤에는 로그인하지 않은 환경에서 저장소를 내려받아 파일 해시가 원본과 같은지 확인하고 같은 줄 이미지로 추론을 다시 돌렸습니다. 한국어 512줄 중 509줄, 영어 512줄 중 507줄에서 내부 결과와 같은 문자열이 나왔고 나머지 차이는 CPU와 GPU의 부동소수점 계산 차이에서 생긴 것으로 확인했습니다.

못 믿을 부분

실문서에서 공백을 넣는 문제가 큽니다. 한국어 단어 단위 결과를 그대로 쓰면 안 됩니다.
합성 렌더링만으로 학습했습니다. 스캔본, 촬영본, 손글씨, 흐린 글씨는 학습 범위 밖입니다.
줄 이미지 전용입니다. 페이지 전체나 여러 줄을 한 번에 넣으면 결과가 의미 없어집니다.
학습은 한 번만 했습니다. 실행할 때마다 결과가 얼마나 달라지는지는 측정하지 않았습니다.
금융, 법률, 신분 문서를 사람 확인 없이 이 모델로만 읽어서는 안 됩니다.

다음 모델로 이어진 것

ThakiOCR A의 약점은 다음 모델의 과제가 됐습니다. 두 번째 모델 G2M은 실제 공공 문서 이미지와 기호 합성 데이터를 더해 숫자와 기호를 지키는 데 집중했습니다. 그 결과와 남은 실패는 G2M 공개 글에 정리했습니다.

작은 모델을 어디에 어떻게 배치할지는 Metis 계층형 추론 글에서 이어서 다룹니다.

ThakiCloud에 주는 의미

ThakiCloud는 고객이 통제하는 환경에서 모델을 학습하고(Maxis), 서비스하고(Metis), 업무에 연결하는(Paxis) 플랫폼을 만듭니다. ThakiOCR A는 이 흐름을 문서 AI에서 처음부터 끝까지 직접 돌려 본 첫 모델입니다. 데이터 계보 기록, 큐 기반 GPU 학습, 해시 검증, 익명 다운로드 재현까지 모두 같은 절차로 거쳤습니다.

참고

모델: ThakiCloud/ThakiOCR-KOEN-V1-Dense
학습 데이터: nvidia/OCR-Synthetic-Multilingual-v1 (CC BY 4.0)
연구용 공개이며 제품 출시 판정은 별도입니다. 성능이 최고 수준이라고 주장하지 않습니다.