오래된 OCR 텍스트, 언어모델 학습 저해한다
Hugging Face와 EleutherAI는 훈련 데이터의 질을 높이기 위해 14개의 오픈소스 OCR 모델을 역사적 문서 2,000페이지 이상에서 테스트했습니다. 그 결과, 30억 개 미만의 파라미터를 가진 소형 모델들이 97% 이상의 높은 정확도를 달성하며 대형 모델들을 능가했습니다. 하지만 이 수준의 텍스트는 AI 학습용으로는 적합하지만, 학술적 연구 목적으로 사용하기에는 여전히 오류가 많은 것으로 나타났습니다.
오래된 OCR 텍스트는 언어 모델 학습을 방해하며, FineBooks는 이를 대규모로 해결하고자 합니다. Matthias Bastian / 2026년 8월 10일
핵심 요약: Hugging Face와 EleutherAI의 협력 프로젝트인 FineBooks는 2,000페이지 이상의 역사적 도서 페이지에서 14개의 오픈소스 OCR 모델을 벤치마킹하여, 스캔된 텍스트를 AI 언어 모델을 위한 깨끗한 훈련 데이터로 변환하는 능력을 평가했습니다. 더 작은 모델이 종종 더 큰 모델보다 성능이 뛰어났으며, 최고 성능의 모델은 천 페이지당 2달러 미만의 비용으로 97% 이상의 문자 정확도를 달성했습니다. 연구진은 이 출력 결과가 AI 훈련 목적에는 충분히 좋은 품질이라고 평가하면서도, 학술적 또는 과학적 응용 분야에는 여전히 오류가 너무 많다고 지적했습니다.
Hugging Face와 EleutherAI의 FineBooks 프로젝트는 역사적 도서 2,165페이지에 대해 14개의 오픈 가중치(Open-weight) OCR 모델을 테스트했습니다. 최고 수준의 모델들은 이미 AI 훈련에 사용해도 좋을 만큼 훌륭한 텍스트를 생성해 내지만, 아직 학술적 용도로 사용할 준비는 되어 있지 않습니다.
퍼블릭 도메인(공용 도메인) 도서로 오픈소스 AI 언어 모델을 훈련시키는 것은 필연적으로 낮은 품질의 텍스트를 다뤄야 함을 의미합니다. 도서관들은 수년 전 광학 문자 인식(OCR) 기술을 이용해 스캔본에서 텍스트를 추출했으며, 그 결과물에는 종종 오류가 가득합니다. Talkie 프로젝트는 이러한 잠재적 손실을 수치로 보여주었는데, OCR 텍스트로 훈련된 언어 모델은 인간이 직접 전사한 동일한 도서로 훈련된 모델에 비해 단 30%의 효율성만을 보였습니다.
FineBooks는 Hugging Face와 EleutherAI의 공동 프로젝트로, 현재 사용 가능한 오픈소스 OCR 모델들이 이 문제를 해결할 수 있는지 테스트했습니다. 팀은 2,165페이지의 역사적 도서 페이지에 대해 14개의 오픈 가중치 모델을 실행한 후 결과를 리더보드 형태로 공개했습니다. 최고 수준의 모델들은 천 페이지당 2달러 미만의 비용으로 97% 이상의 문자 정확도를 기록했습니다.
수백만 페이지의 퍼블릭 도메인 자료에 더 나은 텍스트 인식이 필요합니다. EleutherAI와 파트너들이 작년에 지금까지 가장 큰 규모의 공개 라이선스 훈련 코퍼스인 Common Pile을 공개했을 때, 여기에는 과거 OCR 작업에서 추출된 텍스트를 가진 약 30만 권의 퍼블릭 도메인 도서가 포함되어 있었습니다. FineBooks 저자들은 더 나은 모델로 이 책들을 다시 처리하는 것이 오픈 AI 훈련 데이터셋을 개선하는 가장 효과적인 방법 중 하나라고 말합니다.
이 프로젝트는 6,400만 페이지 이상의 디지털화된 자연사 문서를 보유하고 있는 '생물다양성 유산 도서관(BHL)'을 첫 번째 대상으로 삼았습니다. BHL은 AWS를 통해 전체 자료를 대량으로 다운로드할 수 있는 옵션을 제공합니다. OCR 품질을 측정하기 위해서는 올바른 전사(Transcription) 결과가 이미 알려진 페이지가 필요합니다. 팀은 IMPACT 프로젝트와 BHL-Europe의 성과를 활용했습니다. 2011년에서 2012년 사이에 전문가들이 영어, 프랑스어, 독일어, 라틴어로 된 6개의 BHL 도서를 전사했으며, 당시 오류율은 약 2,000자당 1자 수준이었습니다. 이 데이터는 GitHub 저장소에서 CC-BY 라이선스로 제공되며, 새로운 정답 데이터셋(Ground-truth dataset)의 기초를 형성합니다.
소형 모델이 대형 모델을 능가합니다. 테스트에 사용된 14개의 모델은 모두 무료로 사용할 수 있으며, API 키 없이도 로컬 하드웨어에서 실행할 수 있습니다. 성능의 평가 지표는 잘못 인식된 문자의 비율을 나타내는 '문자 오류율(CER, Character Error Rate)'입니다. 리더보드는 고대 문자(예: 긴 s, ſ)의 현대화를 오류로 간주하는 '외교적(diplomatic)' 변형과 이러한 변화를 허용하는 '읽기(reading)' 변형으로 결과를 나누어 제공합니다.
1위를 차지한 dots.mocr 모델은 단 30억 개(3B)의 파라미터만을 사용한 반면, 거의 3배 더 큰 Qwen3.5-9B는 오히려 더 낮은 점수를 기록했습니다. OvisOCR2는 9억 개(0.9B)의 파라미터로 천 페이지당 46센트의 비용을 들여 2위를 차지했습니다. 역사적 문서에 있어서 모델의 크기와 OCR 품질은 비례하지 않는 것으로 나타났습니다.
| 모델 | 크기 | 정확도 | 천 페이지당 비용 | | dots.mocr | 30억 (3B) | 97.6% | $1.94 | | OvisOCR2 | 9천만 (0.9B) | 96.9% | $0.46 | | PaddleOCR-VL-1.6 | 10억 (1B) | 96.1% | $0.34 | | olmOCR-2 | 83억 (8.3B) | 95.7% | $0.45 | | LightOnOCR-2 | 10억 (1B) | 95.1% | $0.37 | | Qwen3.5-9B | 97억 (9.7B) | 94.9% | $0.89 | | DeepSeek-OCR | 33억 (3.3B) | 93.8% | $0.37 |
이 평가는 4개 언어로 된 안티쿼아(Antiqua) 활자체에만 국한되었습니다. 프랙투어(Fraktur), 비라틴 문자 또는 필기체는 포함되지 않았으며, FineBooks는 현재 이에 대한 추가 연구를 진행하고 있습니다.