한국딥러닝 12억 파라미터 모델, 구글·오픈AI 제치고 ParseBench 1위에 올랐다

76.4점과 75.0점. 2026년 6월, 라마인덱스(LlamaIndex)가 주관하는 글로벌 문서 파싱 벤치마크 ParseBench의 VLM 부문 순위표 맨 위에 두 숫자가 나란히 올랐다. 1위는 한국딥러닝의 'KDL-Frontier-Parser-nano', 2위는 구글 제미나이3 Flash Thinking High였다. 1위 모델의 크기는 12억(1.2B) 파라미터다. 직전 오픈소스 1위 Infinity-Parser2-Pro가 35.1B였으니, 약 30분의 1 크기의 모델이 정상에 선 셈이다. 작은 한국 회사가 어떻게 이 자리에 왔는지 순서대로 따라가 본다.

글자를 읽어도 일은 끝나지 않았다

출발점은 OCR의 한계였다. 기존 OCR은 텍스트를 추출하는 데 머물러 표와 조항, 문단 같은 구조를 인식하기 어려웠다. 서식이 일정하지 않은 문서는 문서마다 별도의 설계와 라벨링이 필요했고, OCR 프로젝트 하나에 수억 원과 수개월이 들었다. 기업이 다루는 문서는 팀 단위로만 봐도 최대 50종이지만, VLM 도입 전에는 7~8종 정도에만 OCR을 적용할 수 있었다.

김지현 대표는 2025년 2월 지디넷코리아 인터뷰에서 그 이유를 OCR이 주로 정형화된 양식에 맞춰 최적화돼 왔기 때문이라고 진단했다. 어떤 값이 어떤 항목에 속하는지 파악해야 업무 자동화로 이어진다는 판단이었다. AI가 문서를 활용하는 단계로 갈수록 병목은 더 분명해졌다. KDL-Frontier-Parser-nano 개발에 참여한 AI 개발자 지니는 문서가 잘못 구조화되면 임베딩과 VectorDB, 검색이 함께 흔들리고, 뒤쪽 모델을 아무리 바꿔도 성능 개선에 한계가 있다고 설명했다.

큰 모델 대신 돌아가는 모델을

한국딥러닝은 문서를 직접 보는 모델을 택했다. 2025년 4월 내놓은 'DEEP OCR+'는 국내 최초의 VLM 기반 OCR이었다. 5년간 4억 장 이상의 문서로 학습한 자체 VLM을 바탕으로, 서식이 제각각인 문서도 별도 학습 없이 주요 정보를 구조화했다. 평균 도입 기간은 2주 내외였고, 출시 직후 금융권 여신 서류 자동화 수주로 이어졌다.

다음 과제는 비용이었다. VLM만 쓰면 인프라 비용이 늘어나기 때문에, 한국딥러닝은 경량화와 양자화로 최적의 모델 크기를 찾는 반자동화 파이프라인을 갖췄다. 지니는 처음부터 큰 모델이 아니라 기업과 기관에서 실제로 돌릴 수 있는 모델을 만들고 싶었다고 말했다. 목표는 GPU 1장으로도 구동 가능한 수준이었다. 설계의 중심은 문서를 제목, 본문, 표, 캡션, 차트, 수식 같은 Element 단위로 구분하고 그 관계를 보존하는 것이었다. 가장 어려웠던 일은 처음 보는 문서에서도 그 구조를 안정적으로 유지하는 것이었다.

의미 단위로 자르고, 문서 사이를 잇는다

구조를 읽은 다음에는 그것을 어떻게 나눌지가 남았다. 2026년 2월, 김동현 CSO는 AI타임스 인터뷰에서 다음 단계를 예고했다.

"국내 처음으로 비전언어모델(VLM)과 광학문자인식(OCR)을 결합한 데 이어, 이제는 '시맨틱 청킹(Semantic Chunking)'을 도입해 오류를 최소화한 '의미론적 OCR'을 선보이겠습니다."

— 김동현 한국딥러닝 CSO

시맨틱 청킹은 문서를 글자나 줄이 아니라 의미 단위로 묶는 기술이다. 표의 항목과 값, 조항과 내용을 한 덩어리로 다뤄야 추출 결과가 본래 의미를 잃지 않는다. 지니의 설명도 같다. 하나의 조항이 두 조각으로 갈라지면 근거가 반쪽만 검색되고, 다른 의미가 한 조각에 섞이면 정확도가 떨어진다. 김 CSO는 여기에 전사 데이터를 지식 그래프로 구축해 파일 사이의 연관 관계까지 파악하는 구상을 더했다.

4월, OCRBench v2의 순위표

첫 결과는 4월에 나왔다. 한국딥러닝은 4월 22일, KDL 프론티어가 OCRBench v2 영어 부문 3월 평가에서 68.1점으로 종합 1위에 올랐다고 밝혔다. 2위 '제미나이 3 프로 프리뷰'와는 4.7점 차이였고, GPT-5보다도 높았다. 회사는 아시아 기업이 이 평가에서 구글 제미나이를 제친 첫 사례라고 설명했다. OCRBench v2는 31개 시나리오로 문서 이해 능력을 평가하고, 사람이 검증한 1만 건의 데이터셋과 비공개 테스트셋을 함께 써 공개 데이터에만 맞춘 모델은 높은 점수를 받기 어렵다.

김동현 한국딥러닝 CSO는 "글로벌 빅테크들이 주도하는 AI 시장에서 아시아 기업이 국내 기술만으로 제미나이와 GPT를 넘어섰다는 점은 의미가 있습니다. 금융·법무·공공처럼 높은 정확성이 요구되는 산업 현장에서 환각 없는 문서 AI의 가치를 글로벌 시장에서 보여주겠습니다."라고 말했다.

6월, ParseBench에서 다시 1위

OCRBench v2가 문서를 얼마나 정확히 읽는지를 물었다면, ParseBench는 얼마나 잘 구조화하는지를 묻는다. 보험, 금융, 정부 분야의 실제 기업 문서 약 2,000페이지로 5개 항목을 평가한다. KDL-Frontier-Parser-nano는 종합 76.4점으로 1위에 올랐고, 오픈AI GPT-5.5는 67.8점으로 3위였다. 레이아웃을 파악하는 시각 구조 인식(Visual Grounding) 항목에서는 78.8점으로 전체 1위였다. 같은 항목에서 구글 제미나이가 받은 59.8점과는 약 19점 차이다. 지니가 이 항목을 특히 의미 있게 본 이유는 단순하다. 다단 문서에서 컬럼이 섞이면 문장 순서가 깨지고, 표에서 헤더와 값이 분리되면 숫자의 의미가 사라진다. 회사는 레이아웃과 항목 간 관계, 위치를 함께 분석해 원문에 없는 내용을 만들지 않는 'Near-Zero Hallucination' 기술을 핵심으로 꼽았다.

"우리는 AI 에이전트가 문서의 복잡한 시각적·구조적 맥락을 사람처럼 직관적으로 해독할 수 있는 시각 구조 인지 아키텍처 고도화에 집중하고 있습니다."

— 김동현 한국딥러닝 CSO

고객에게 1.2B가 뜻하는 것

작은 모델은 운영 가능성으로 이어진다. KDL-Frontier-Parser-nano는 외부 서버 없이 기업 내부에 직접 설치할 수 있고 SaaS로도 제공된다. 문서를 밖으로 내보내기 어려운 금융, 보험, 공공 환경에 맞는 구조다. 오픈 가중치로 공개돼 고객이 직접 성능을 확인하고 검토할 수도 있다. 한국딥러닝의 기술은 경기도청의 행정 데이터 재구조화에 쓰이고 있고, 현대캐피탈과 LG CNS를 비롯한 80개 이상의 기업에 공급되고 있다. 도입 고객의 문서 처리 시간은 최대 96%까지 줄었다.

지니 한국딥러닝 AI 개발자는 "문서 파싱 모델은 결국 사람이 다시 손보지 않아도 될 만큼 정확한 구조를 만들어야 합니다. 모델이 크고 복잡해 보이는 것보다, 고객 환경에서 안정적으로 돌아가고 실제 업무에 바로 쓸 수 있는 결과를 내는 게 더 중요합니다. 저희가 만들고 싶은 건 그런 모델입니다."라고 말했다.