DocAtlas: 80개 이상의 언어를 아우르는 다국어 문서 이해

연구진은 차등 렌더링과 합성 생성을 활용해 82개 언어의 고정밀 OCR 데이터셋과 벤치마크를 만드는 DocAtlas 프레임워크를 제안했다.

16개 모델과 9개 문서 이해 과제를 평가한 결과, 저자원 문자와 복잡한 다국어 레이아웃에서 여전히 뚜렷한 약점이 확인됐다.

렌더링 기반 정답으로 DPO를 적용하면 도메인 내·외 성능이 모두 개선됐지만, 지도 미세조정은 전이 성능을 크게 떨어뜨릴 수 있었다.

이 연구는 다국어 OCR의 데이터 부족과 편향을 줄이면서도 기본 언어 성능을 유지할 수 있는 방법을 보여준다.