태풍 OCR: 태국어 문서 추출을 위한 개방형 비전-언어 모델

Typhoon OCR: Open Vision-Language Model For Thai Document Extraction

January 21, 2026

저자: Surapon Nonesung, Natapong Nitarach, Teetouch Jaknamon, Pittawat Taveekitworachai, Kunat Pipatanakul

cs.AI

초록

문서 추출은 디지털 워크플로우의 핵심 구성 요소이지만, 기존 시각-언어 모델(VLM)은 주로 고자원 언어에 편향되어 있습니다. 태국어는 비라틴 문자로 인한 문자 체계의 복잡성, 명시적인 단어 경계의 부재, 그리고 매우 비정형적인 실제 문서의 보편화로 인해 추가적인 어려움을 제시하며, 이는 현재 오픈소스 모델들의 효과성을 제한합니다. 본 논문은 태국어와 영어에 특화된 문서 추출용 오픈 VLM인 Typhoon OCR을 소개합니다. 이 모델은 태국어 중심의 훈련 데이터셋을 사용하여 시각-언어 기반 모델을 미세 조정했습니다. 해당 데이터셋은 전통적인 OCR, VLM 기반 재구성, 그리고 정제된 합성 데이터를 결합한 다단계 데이터 구축 파이프라인을 통해 개발되었습니다. Typhoon OCR은 텍스트 전사, 레이아웃 재구성, 문서 수준의 구조적 일관성을 모두 수행할 수 있는 통합 프레임워크입니다. 최신 버전인 Typhoon OCR V1.5는 메타데이터 의존성을 줄이고 배포를 단순화하도록 설계된 경량이며 추론 효율이 높은 모델입니다. 재무 보고서, 정부 양식, 도서, 인포그래픽, 수기 문서 등 다양한 태국어 문서 범주에 걸친 포괄적인 평가 결과, Typhoon OCR은 계산 비용이 상당히 낮음에도 불구하고 대규모의 독점 프론티어 모델에 버금가거나 이를 능가하는 성능을 달성함을 보여줍니다. 이러한 결과는 오픈 시각-언어 OCR 모델이 경량이고 배포 가능한 상태를 유지하면서도 태국어 문서에 대해 정확한 텍스트 추출 및 레이아웃 재구성 성능을 달성하여 독점 시스템에 준하는 성능에 도달할 수 있음을 입증합니다.

English

Document extraction is a core component of digital workflows, yet existing vision-language models (VLMs) predominantly favor high-resource languages. Thai presents additional challenges due to script complexity from non-latin letters, the absence of explicit word boundaries, and the prevalence of highly unstructured real-world documents, limiting the effectiveness of current open-source models. This paper presents Typhoon OCR, an open VLM for document extraction tailored for Thai and English. The model is fine-tuned from vision-language backbones using a Thai-focused training dataset. The dataset is developed using a multi-stage data construction pipeline that combines traditional OCR, VLM-based restructuring, and curated synthetic data. Typhoon OCR is a unified framework capable of text transcription, layout reconstruction, and document-level structural consistency. The latest iteration of our model, Typhoon OCR V1.5, is a compact and inference-efficient model designed to reduce reliance on metadata and simplify deployment. Comprehensive evaluations across diverse Thai document categories, including financial reports, government forms, books, infographics, and handwritten documents, show that Typhoon OCR achieves performance comparable to or exceeding larger frontier proprietary models, despite substantially lower computational cost. The results demonstrate that open vision-language OCR models can achieve accurate text extraction and layout reconstruction for Thai documents, reaching performance comparable to proprietary systems while remaining lightweight and deployable.