영수증 OCR 벤치마크 결과:오픈소스 OCR 모델 5종의 정확도, 지연 시간, 비용 비교 (2026)

최종 검토: 2026-08-12 · 실행 등급: 공식 · 10회 실행 · 영수증 461건

이 페이지에서 다루는 내용: ImageToTable.ai가 공개 데이터셋과 오픈소스 모델을 사용해 독립적으로 실행한 자체 벤치마크 결과입니다 — 공개 테스트 세트 2종의 영수증 이미지 461건에 모델 5종을 적용했습니다. 모든 예측 아티팩트, 지표, 매니페스트는 감사용으로 제공됩니다. 이는 제3자 데이터 집계가 아닙니다 — 모든 수치는 RTX 4090 하드웨어에서 단일 측정 프로토콜로 재현 가능한 벤치마크 실행에서 비롯되었습니다.
이 페이지에서 다루지 않는 내용: 제3자 영수증 OCR 정확도 집계(영수증 OCR 정확도 참조), 클라우드/API 모델, vLLM 기반 모델, 원본 SROIE 대회의 파인튜닝 연구 모델.

이 문서는 자체 벤치마크 참조 자료입니다. 모든 수치는 2026년 8월 11일~12일에 버전 관리된 프로토콜에 따라 생성된 고정(frozen) 벤치마크 아티팩트에 기반합니다. 전체 아티팩트 패키지 — 예측 결과, 지표, 매니페스트, 성능 로그 — 는 요청 시 제공됩니다. 모델에 해당하지 않는 지표는 0이 아닌 해당 없음으로 보고됩니다.

이 벤치마크의 핵심은 역전 현상입니다: docTR은 영수증 텍스트를 가장 정확하게 읽지만(CER 19.7%) 구조화된 필드 추출은 가장 저조하며, PaddleOCR은 텍스트 정확도가 약간 낮지만(CER 20.5%) 필드 추출은 4배 더 우수합니다. 텍스트 정확도는 필드 정확도가 아니며 — 단일 "정확도" 수치만으로 모델을 선택하면 이러한 차이를 놓치게 됩니다.

19.7%
SROIE 영어 영수증 기준 최저 문자 오류율(CER) — docTR v1.0.1, 361개 샘플, 95% CI 18.5–21.0%
32.5%
최고 필드 수준 F1 — PaddleOCR 3.7.0, 361개 샘플
7.7×
동일한 RTX 4090 하드웨어에서 가장 빠른 모델과 가장 느린 모델 간의 실제 소요 시간 차이 — 1,000페이지당 비용은 7.8배 차이

역설: 최고의 텍스트 판독기, 최악의 필드 추출기

동일한 벤치마크 실행에서 동일한 361개의 영수증에 대해 최고 및 최악의 필드 추출 결과가 모두 나왔습니다. 그 차이는 데이터 품질이 아니라 텍스트 읽기와 필드 추출의 차이입니다.

두 가지 정확도 지표는 서로 다른 질문에 답합니다. CER은 기준 진실 전사 대비 잘못 읽은 개별 문자의 비율을 측정합니다. CER 19.7%는 대략 5자 중 1자가 틀렸다는 뜻입니다. WER은 단어 내 문자가 하나라도 잘못 읽히면 해당 단어 전체를 오류로 처리하므로, WER 값은 항상 CER보다 높습니다. 이 벤치마크에서 필드 수준 F1은 고정된 정규식 후처리기가 OCR 텍스트에서 네 가지 SROIE 필드를 복구할 수 있는지 여부를 측정하며, 361개 문서 필드 집합에 대한 정밀도와 재현율의 조화 평균으로 계산됩니다.

docTR은 가장 깨끗한 전사를 생성했지만(CER 19.7%, WER 32.0%), 필드 복구율은 F1 7.7%로 붕괴되었습니다. 깨끗한 텍스트에 대한 정규식 통과도 값 형식이 추출 패턴과 일치하지 않으면 실패할 수 있습니다. PaddleOCR의 전사는 약간 더 노이즈가 있었지만(CER 20.5%) 출력이 필드 패턴과 더 잘 일치하여 F1 32.5%를 기록했습니다. 두 결과 모두 실수가 아닙니다. 이는 동일한 파이프라인의 서로 다른 두 계층이며, 이 배치에서 네 가지 필드 모두에 대해 완전히 정확한 문서를 하나라도 달성한 모델은 없습니다. 이것이 OCR 텍스트 정확도가 필드 정확도가 아니라는 진술의 실질적인 의미입니다.

SROIE 2019 결과: 텍스트 정확도, 필드 F1, 지연 시간 및 비용

기본 순위 집합은 SROIE 2019입니다. 고정된 공식 테스트 분할의 361개의 영어 스캔 영수증으로 구성되며, 동일한 GPU에서 동일한 실행 그룹의 5개 모델 모두로 평가되었습니다. CER/WER이 낮을수록 좋고, 필드 F1이 높을수록 좋습니다.

SROIE 2019에서 모델별 CER: docTR 19.7%, PaddleOCR 20.5%, EasyOCR 28.3%, Tesseract 33.6%, Docling 58.4%.

출처: ImageToTable.ai Receipt OCR Benchmark v1, SROIE 2019 테스트 분할. 실행: 공식 등급, warm_then_scored 프로토콜, RTX 4090. 부트스트랩 95% 신뢰구간. 전체 아티팩트 패키지는 요청 시 제공됩니다. 데이터셋: ICDAR 2019 SROIE 대회.

모델CER(95% CI)WER(95% CI)필드 F1p50 지연 시간p95 지연 시간페이지/분1,000페이지당 달러
docTR v1.0.119.7% (18.5–21.0)32.0% (30.4–33.5)7.7%153 ms455 ms256.0$0.049
PaddleOCR 3.7.020.5% (19.2–21.7)32.6% (31.0–34.1)32.5%219 ms612 ms157.8$0.080
EasyOCR 1.7.228.3% (27.1–29.5)61.6% (59.5–63.5)14.8%660 ms1,440 ms77.4$0.164
Tesseract 5.3.433.6% (31.2–35.9)56.2% (53.4–58.9)23.2%939 ms2,314 ms54.4$0.233
Docling 2.119.058.4% (52.8–64.6)75.1% (69.6–81.2)22.3%1,196 ms4,834 ms33.2$0.381

출처: ImageToTable.ai Receipt OCR Benchmark v1, SROIE 2019 테스트 분할. 모든 지표는 고정된 벤치마크 아티팩트에서 산출됨. CER/WER: 정답 전사 대비 문자/단어 오류율. 필드 F1: 고정 정규식을 통한 OCR 텍스트의 후처리 필드 추출 — 네이티브 모델 필드 출력이 아님. CI: 부트스트랩 백분위 95%, 2,000회 재표본. 비용: RunPod RTX 4090 기준 $0.76/시간. 전체 아티팩트는 요청 시 제공.

필드 F1이 텍스트 정확도보다 훨씬 낮은 이유

이번 배치의 모든 모델은 텍스트를 합리적으로 읽지만 대부분의 영수증에서 유용한 구조화 필드를 제공하지 못합니다. 최고 필드 F1은 32.5%이며, 어떤 모델도 완전히 정확한 문서를 생성하지 못했습니다.

여기서 SROIE 필드 지표는 정규식 후처리를 거쳤습니다. 벤치마크는 각 모델의 OCR 텍스트를 가져와 네 가지 필드에 고정된 패턴 기반 추출을 적용합니다. 이는 모델의 기본 구조화 필드 출력과 의도적으로 다릅니다. 이번 배치의 오픈소스 OCR 엔진 5개 중 어느 것도 영수증 레이아웃에 대한 기본 구조화 필드를 생성하지 않으므로, 후처리기가 이들에게 유일한 필드 경로입니다. 19.7% CER과 7.7% 필드 F1 사이의 격차는 실제 추출 파이프라인이 누락된 구조화 출력 계층에 대해 지불하는 비용입니다. 고품질 텍스트도 필드가 되려면 레이아웃 이해와 값 정규화가 여전히 필요합니다.

모델 간 순위 역전은 안정적입니다. PaddleOCR이 필드 F1에서 32.5%(30.5~34.5% CI)로 선두이며, Tesseract 23.2%, Docling 22.3%, EasyOCR 14.8%, docTR 7.7%가 뒤를 잇습니다. 반면 텍스트 지표 순위는 상위권에서 거의 정확히 반대입니다. "OCR 정확도"만 보고하는 파이프라인은 실제 변동이 존재하는 필드 추출 계층을 숨기고 있습니다.

CORD v2: 언어 스트레스 테스트

인도네시아어 영수증 100건(CORD v2)에서 모든 모델의 CER이 90~95%로 붕괴됩니다. 영어로 학습된 OCR 스택은 다른 언어로 전이되지 않으며, 이 벤치마크는 이를 추측이 아닌 수치로 정량화합니다.

CORD v2는 교차 언어 스트레스 테스트를 제공합니다. 검토된 테스트 샘플 100건은 인도네시아어 영수증이며, 이번 배치의 모든 모델은 주로 영어 데이터로 학습되었습니다. 아래 결과는 모델 품질의 순위가 아닙니다. CORD 텍스트 지표는 영수증/언어/레이아웃 견고성 증거로 간주되며 SROIE와 단일 전체 순위로 병합해서는 안 됩니다. CORD에서는 어떤 모델도 기본 CORD 구조화 필드를 생성하지 않고 이번 배치에 정의된 CORD 후처리기가 없으므로 필드 지표는 적용되지 않습니다.

모델CERWERp50 지연 시간1,000페이지당 달러
PaddleOCR 3.7.090.8%94.1%123 ms$0.067
docTR v1.0.191.0%93.7%123 ms$0.055
EasyOCR 1.7.291.8%96.2%6,450 ms$1.445
Docling 2.119.092.2%95.3%524 ms$0.244
Tesseract 5.3.495.2%97.7%652 ms$0.161

출처: ImageToTable.ai Receipt OCR Benchmark v1, CORD v2 테스트 분할. 모든 실행은 공식 티어, RTX 4090, 성공률 100%. 주의: 언어 불일치 스트레스 테스트이므로 CORD CER 값을 SROIE CER 값과 비교하지 마십시오. 데이터셋: CORD v2 (Clova AI).

속도와 비용: 7.7배 격차

동일한 하드웨어에서 처리량은 7.7배, 1,000페이지당 비용은 7.8배 차이가 납니다. 영수증 규모에서 가장 빠른 모델을 선택하면 정확도를 고려하기 전에 OCR 컴퓨팅 비용을 약 87% 절감할 수 있습니다.

이 벤치마크에서 처리량은 두 가지 방식으로 보고됩니다. 페이지당 p50/p95 지연 시간과 warm_then_scored 모드에서 러너 프로세스 시작을 포함한 종단 간 벽시계 시간 기준 페이지/분입니다. 1,000페이지당 비용은 기록된 RunPod RTX 4090 요금인 시간당 $0.76으로 실행 벽시계 시간을 기준으로 계산됩니다. 아래 차트는 SROIE 벽시계 처리량과 비용을 보여줍니다. CORD도 동일한 형태를 따르며 docTR과 PaddleOCR이 다시 가장 빠르고 저렴합니다.

SROIE 2019 벽시계 처리량(RTX 4090, warm_then_scored): docTR 256.0, PaddleOCR 157.8, EasyOCR 77.4, Tesseract 54.4, Docling 33.2 페이지/분.

출처: ImageToTable.ai Receipt OCR Benchmark v1, SROIE 2019 테스트 분할. 러너 초기화를 포함한 시간 측정 벤치마크 실행 기준 벽시계 페이지/분. 모든 실행은 공식 등급, RTX 4090.

SROIE 2019 1,000페이지당 비용: docTR $0.049, PaddleOCR $0.080, EasyOCR $0.164, Tesseract $0.233, Docling $0.381.

출처: ImageToTable.ai Receipt OCR Benchmark v1, SROIE 2019 테스트 분할. 비용 = 실행 벽시계 시간 × 시간당 $0.76. 실행별 초기화 오버헤드 포함.

이 결과에서 모델 선택 방법

이 벤치마크에는 단일 "최고" 모델이 없습니다. 결과는 우선순위에 따른 선택을 지원하며, 동일한 표가 다양한 질문에 답합니다. 세 가지 일반적인 우선순위가 데이터에 직접 매핑됩니다:

  • 원시 전사 정확도가 목표인 경우: docTR이 19.7% CER로 선두이며 256.0 페이지/분 및 1,000페이지당 $0.049로 가장 빠르고 저렴합니다. 텍스트 정확도, 속도, 비용 세 가지 모두에서 동시에 우위를 점합니다.
  • 구조화된 필드 추출이 목표인 경우: PaddleOCR이 32.5% 필드 F1으로 선두이지만, 이는 약 3분의 2의 필드 실패율입니다. 정직한 결론은 이러한 오픈소스 OCR 엔진 중 어느 것도 구조화된 추출 계층 없이 생산 등급 영수증 필드 추출을 단독으로 제공하지 못한다는 것입니다.
  • 대량 처리 비용이 제약인 경우: 7.8배 비용 격차는 동일한 하드웨어에서 백만 페이지가 docTR로 약 $49인 반면 Docling으로는 $381임을 의미합니다. 백만 페이지당 약 $332의 차이입니다.

어떤 우선순위가 적용되든, 프로토콜과 아티팩트를 통해 커밋하기 전에 자체 GPU에서 이 표의 모든 수치를 재현할 수 있습니다. 다국어 영수증 흐름의 경우 CORD 결과는 영어 학습 모델을 대상 언어로 먼저 스트레스 테스트해야 한다는 경고입니다.

자주 묻는 질문

영수증에 가장 정확한 오픈소스 OCR 모델은 무엇인가요?

측정 기준에 따라 다릅니다: docTR은 텍스트 정확도가 가장 높고, PaddleOCR은 필드 추출이 가장 우수합니다 — ImageToTable.ai Receipt OCR Benchmark 기준입니다. 두 지표를 모두 선도하는 단일 모델은 없습니다 — 텍스트 정확도와 필드 추출은 서로 다른 파이프라인 계층입니다.

docTR의 텍스트 정확도는 더 높은데 필드 추출은 PaddleOCR보다 낮은 이유는 무엇인가요?

두 지표가 서로 다른 파이프라인 계층을 측정하기 때문입니다. docTR은 문자를 더 정확하게 읽었지만, 출력이 회사/날짜/주소/합계에 대한 고정 정규식 필드 패턴과 일치하지 않아 후처리된 필드 F1이 7.7%로 떨어진 반면, PaddleOCR은 32.5%에 도달했습니다. 값 형식이 추출 패턴과 다를 때, 더 깨끗한 텍스트가 더 나은 필드 추출을 보장하지는 않습니다.

영수증 OCR에서 PaddleOCR이 Tesseract보다 더 나은가요?

이 벤치마크의 모든 지표에서 그렇습니다: PaddleOCR은 361개 영수증 SROIE 테스트 세트에서 CER, WER(32.6% 대 56.2%), 필드 F1, 속도, 비용 모두에서 Tesseract를 능가합니다.

비영어 영수증에서 OCR 정확도가 떨어지나요?

크게 떨어집니다: 100개 인도네시아 CORD v2 영수증에서 영어로 학습된 모든 모델이 90~95% CER을 기록했습니다. 반면 영어 SROIE 영수증에서는 20~58%였습니다. 이는 모델 순위가 아닌 언어 스트레스 테스트로 보아야 합니다 — 동일한 모델이 인도네시아어로 학습되지 않았기 때문입니다.

GPU에서 오픈소스 OCR의 페이지당 비용은 얼마인가요?

기록된 RunPod 요금 $0.76/시간 기준 RTX 4090에서 1,000페이지당 $0.049~$0.381입니다 — 모델에 따라 실행 시작을 포함해 페이지당 약 $0.00005~$0.0004입니다.

SROIE란 무엇이며 무엇을 테스트하나요?

SROIE 2019(Scanned Receipt OCR and Information Extraction)는 ICDAR 2019 대회 데이터셋으로, 실제 스캔된 영어 영수증과 전사 및 핵심 필드에 대한 정답 데이터로 구성되어 있습니다. 이 벤치마크는 고정된 361개 샘플 테스트 분할을 사용합니다. OCR 모델이 영수증 텍스트(CER/WER)를 읽고 회사, 날짜, 주소, 합계 필드를 복구할 수 있는지 테스트합니다. 여기 오픈소스 모델의 경우, 네이티브 구조화 필드를 출력하는 모델이 없으므로 고정된 정규식 후처리기를 통해 필드를 복구했습니다.

이 벤치마크 수치를 직접 재현할 수 있나요?

네. 벤치마크 프로토콜은 버전이 지정되고 고정되어 있으며, 모든 데이터셋은 공개되어 있고, 다섯 모델 모두 게시된 버전의 오픈소스입니다. 예측, 지표, 매니페스트, 성능 로그를 포함한 전체 아티팩트 패키지는 요청 시 제공됩니다. 한 가지 주의할 점: 현재 매니페스트는 스키마 v2 환경 지문보다 앞서며, 완전한 바이트 단위 재현을 위해서는 정확한 모델 환경에서 재실행이 필요합니다. 제한 사항을 참조하세요.

방법론 및 출처

프로토콜

이 벤치마크는 버전이 지정되고 고정된 프로토콜(v0.1, 2026-08-11)을 따릅니다. 이 페이지의 모든 수치는 프로토콜에 따라 생성된 특정 예측 아티팩트에 기반하며, 모든 실행은 동일한 게시 게이트를 충족합니다: run_tier=official, expected_split=test, 누락된 예측 없음, 모든 not_applicable 지표는 그대로 유지. 품질 감사(2026-08-12)는 모든 예측 계약, 샘플 해시, 성능 해시를 검증했습니다.

런타임 환경

구성 요소세부 사항
GPUNVIDIA GeForce RTX 4090, 24 GB VRAM, 드라이버 570.211.01
GPU 제공업체RunPod, 시간당 $0.76
Python3.12.3
PyTorch2.8.0+cu128 (EasyOCR, docTR, Docling 사용); Tesseract, PaddleOCR은 미사용
측정 모드warm_then_scored: 데이터셋당 5개 샘플 워밍업 후 전체 테스트 분할 실행
분할테스트 전용; 학습 또는 검증 샘플은 점수 산정 제외
수동 감사모든 예측 계약 통과 — 누락/중복/중복 샘플 ID 없음

재현 방법

벤치마크 코드, 러너 스크립트, 평가기는 ImageToTable.ai benchmark-ocr 저장소에서 관리됩니다. 이 페이지의 모든 수치를 생성한 정확한 명령은 다음과 같습니다:

SROIE 2019 (영문 영수증, 테스트 샘플 361개):

export BENCHMARK_RUN_TIER=official
export BENCHMARK_EXPECTED_SPLIT=test
export BENCHMARK_MEASUREMENT_MODE=warm_then_scored
export BENCHMARK_GPU_LABEL="rtx_4090"
export BENCHMARK_GPU_PROVIDER="runpod"
export BENCHMARK_GPU_HOURLY_USD="0.76"
export BENCHMARK_FIELD_POSTPROCESSOR=sroie_receipt_regex

for model in tesseract paddleocr easyocr doctr docling; do
  BENCHMARK_WARMUP_SAMPLES=sroie_warmup_5.jsonl \
    bash server/run_model.sh "$model" sroie 361 "receipt-v1-sroie-${model}"
done

CORD v2 (인도네시아어 영수증, 테스트 샘플 100개):

unset BENCHMARK_FIELD_POSTPROCESSOR

for model in tesseract paddleocr easyocr doctr docling; do
  BENCHMARK_WARMUP_SAMPLES=cord_v2_warmup_5.jsonl \
    bash server/run_model.sh "$model" cord_v2 100 "receipt-v1-cord-v2-${model}"
done

모든 모델은 기본 구성으로 out-of-the-box 사용되었습니다. 파인튜닝, 맞춤 언어 팩, 학습 후 적응 없음. 모델별 러너 스크립트 및 환경 설정은 벤치마크 저장소를 참조하세요.

지표 정의

  • CER: 문자 수준의 레벤슈타인 편집 거리를 실제 문자 수로 나눈 값. 부트스트랩 95% 신뢰구간은 2,000회 재표본 추출, 시드 20260811 기준.
  • WER: 단어 수준의 레벤슈타인 편집 거리를 실제 단어 수로 나눈 값. CER과 동일한 신뢰구간 방법 사용.
  • 필드 F1: 고정 정규식 후처리기(sroie_receipt_regex)로 OCR 텍스트에서 추출한 SROIE 4개 필드에 대한 정밀도와 재현율의 조화 평균. 네이티브 모델 구조화 필드 출력이 아님 — 5개 모델 모두 네이티브 필드 지표는 해당 없음.
  • p50/p95 지연 시간: 러너 초기화를 제외한 성공적인 예측 기록 기준 페이지당 추론 시간(ms).
  • 실측 페이지/분: 총 점수 처리 샘플 수를 총 실행 시간으로 나눈 값. 높을수록 좋음.
  • 1,000페이지당 비용: 실행 시간 × $0.76 × (1,000 / 샘플 수). 추정 요금이 아닌 실제 제공업체 가격 메타데이터 사용.
  • 성공률: 이번 배치의 10개 실행 모두 100%.

데이터셋

  1. SROIE 2019 — ICDAR 2019 로버스트 읽기 대회, 과제 3. 줄 단위 텍스트 전사와 4개 핵심 필드 실제 레이블이 포함된 실제 스캔 영문 영수증 361건. 고정 테스트 분할 사용.
  2. CORD v2 — Clova AI Research, NAVER Corp. 공개 테스트 분할에서 검토된 인도네시아어 영수증 샘플 100건으로, 교차 언어 스트레스 테스트로 사용. 중첩 메뉴 품목 및 소계/합계 실제 레이블 포함.

테스트된 모델

모델버전유형출처
Tesseract5.3.4클래식 OCR 엔진(CPU+GPU)GitHub
PaddleOCR3.7.0딥러닝 OCR(PaddlePaddle)GitHub
EasyOCR1.7.2딥러닝 OCR(PyTorch)GitHub
docTRv1.0.1신경망 OCR(TensorFlow / PyTorch)GitHub
Docling2.119.0문서 파서(IBM)GitHub

아티팩트 접근 및 재현성

벤치마크 소스 코드: benchmark-ocr 저장소에서 관리됩니다. 저장소에는 모델별 러너 스크립트, 평가기, SHA256 해시가 포함된 데이터셋 샘플 매니페스트, 그리고 고정된 프로토콜이 포함되어 있습니다. 공개 릴리스는 예정되어 있습니다 — 공개되면 이 페이지의 모든 수치는 저장소를 클론하고 공개 데이터셋을 확보한 뒤 RTX 4090에서 위 명령어를 실행하여 독립적으로 재현할 수 있습니다.

전체 아티팩트 패키지: 모델별 예측(*.jsonl), 95% 신뢰구간이 포함된 메트릭(metrics.csv), 필드 수준 진단(field_details.csv), 벽시계 성능 로그(performance.json), 실행 매니페스트(manifest.json)는 프로토콜에 따라 버전 관리되며 소스 코드와 함께 제공됩니다. 공개 릴리스 전 조기 접근을 원하시면 [email protected]로 문의하세요.

스키마 v1 참고: 현재 매니페스트는 스키마 v2 환경 지문보다 앞선 것입니다. 위 환경 표는 스키마 v1이 기록하는 내용을 반영합니다. 완전한 바이트 단위 재현성을 위해서는 스키마 v2 재실행이 필요합니다. 이는 보고된 메트릭의 정확성에는 영향을 미치지 않습니다.

제한 사항

  • 매니페스트 스키마 v1: 현재 실행 매니페스트는 런타임 시 정확한 Python 환경을 캡처하는 스키마 v2 환경 지문보다 앞선 것입니다. 완전한 바이트 단위 재현성을 위해서는 정확한 모델 환경에서 스키마 v2 재실행이 필요합니다.
  • SROIE 필드 지표는 정규식 후처리 결과이며, 기본 추출이 아닙니다: 필드 F1은 고정 패턴을 통해 OCR 텍스트에서 필드 복원을 측정한 것입니다. 이는 모델의 기본 구조화 필드 기능이 아닙니다.
  • CORD 결과는 언어 불일치 스트레스 테스트이지 정확도 순위가 아닙니다: 다섯 모델 모두 영어로 학습되었습니다. CORD CER 값은 교차 언어 붕괴를 정량화하며 SROIE와 단일 리더보드로 병합해서는 안 됩니다.
  • PaddleOCR-VL은 순위에서 제외: 직접적인 파이프라인 문제로 제외되었으며, 그 결과는 순위에 오른 다섯 모델과 비교할 수 없습니다.
  • Surya2 및 Unlimited-OCR 미포함: vLLM 서버 Pod가 필요하며 v1.1 배치로 계획되어 있습니다. 현재 릴리스는 local_torch 그룹만 다룹니다.
  • 단일 GPU 계층만 해당: 모든 실행은 RTX 4090입니다. 다중 GPU 또는 RTX 3090/A100 비교는 아직 제공되지 않으므로 비용/처리량 결론은 이 단일 계층에만 적용됩니다.
  • 오픈소스 모델만 해당: 클라우드/API 모델(AWS Textract, Google Document AI, Azure Form Recognizer)은 포함되지 않습니다. 이들의 비교는 별도의 예정된 벤치마크입니다.

관련 참고 자료: 영수증 OCR 정확도 · 문서 유형별 OCR 정확도 · OCR이란 무엇인가?

관련 자료: ABBYY FineReader vs 최신 AI OCR · Adobe Acrobat OCR vs AI 추출 · OCR 정확도 주장을 읽는 방법

📮 contact email: [email protected]