주요 특징

• 이미지 인코더로 문서 페이지를 압축된 시각 토큰 시퀀스로 변환한 뒤 언어모델 디코더가 이를 구조화된 마크다운으로 복원하는 구조로, DeepSeek-OCR의 아이디어를 한 단계 발전시켜 "one-shot long-horizon parsing"을 지향합니다.
• base_size 1024·image_size 640으로 문서를 크롭해 처리하는 gundam 모드와, 크롭 없이 image_size 1024 전체 이미지를 그대로 넣는 base 모드 두 가지 추론 설정을 제공해 문서 해상도와 처리 속도를 상황에 맞게 조절할 수 있습니다.
• model.infer_multi API로 여러 장의 이미지나 PyMuPDF로 변환한 PDF 페이지를 한 번의 호출로 순차 파싱할 수 있으며, 최대 32,768 토큰 길이와 반복 억제(no_repeat_ngram_size) 옵션으로 긴 문서에서도 안정적인 출력을 유지합니다.
• Hugging Face Transformers 기반 추론 외에도 vLLM 공식 레시피, SGLang 서버(OpenAI 호환 스트리밍 API), ms-swift 학습 프레임워크와 통합되어 있어 서빙 규모와 목적에 맞는 배포 경로를 고를 수 있습니다.
• 저장소가 공개한 정보 기준 2026년 6월 공개 이후 Baidu Cloud, ModelScope, Hugging Face Spaces 데모 등으로 빠르게 확산되었고, 공개 두 달여 만에 Rust 기반 CPU 전용 포팅, Apple Silicon(MPS) 이식, AMD ROCm 이식 등 커뮤니티 파생 프로젝트가 다수 등장했습니다.