2026년 4월 2일 공개된 Gemma 4의 로컬 PDF 파싱 능력

클라우드 기반 문서 AI 서비스의 페이지당 과금 체계는 처음에는 저렴해 보이지만, 처리량이 늘어나는 순간 조직의 고정비(OPEX)를 압박하는 부담스러운 지출로 변한다. 특히 보안이 중요한 기업용 문서를 외부 서버로 전송하며 발생하는 리스크와 비용은 실무자에게 늘 해결하기 어려운 고민거리였다. 구글 딥마인드(Google DeepMind)가 2026년 4월 2일 공개한 Gemma 4는 이러한 비용과 보안 문제를 로컬 실행 방식으로 해결한다. API 키 발급이나 클라우드 호출 과정이 전혀 없으며, 모든 데이터가 내부 서버 내에서만 처리되므로 데이터 유출 우려 없이 고성능 파싱 능력을 활용할 수 있다.

실무자가 PDF에서 텍스트를 긁어올 때 가장 흔히 겪는 불편은 표가 완전히 깨지거나, 스캔본이라 아무것도 읽히지 않아 결국 수작업으로 데이터를 다시 입력하는 상황이다. 기존의 텍스트 추출 도구들은 PDF 내에 선택 가능한 텍스트 레이어가 반드시 존재한다는 전제로 작동한다. 이 전제가 깨지는 스캔 문서, 이미지 전용 PDF, 복잡한 양식의 레이아웃, 혹은 병합된 셀이 포함된 표를 만나면 도구들은 아무런 신호 없이 실패하며 텍스트 순서를 뒤섞어버린다. Gemma 4는 PDF를 텍스트가 아닌 이미지로 렌더링해 시각적으로 읽어내는 방식을 채택해 이러한 구조적 한계를 근본적으로 해결한다.

Gemma 4는 문서 및 PDF 파싱을 명시적 기능으로 정의하며 OCR(광학 문자 인식), 차트 이해, 필기 인식, 화면 이해 능력을 통합적으로 제공한다. 모델은 페이지를 단순한 문자열의 집합이 아니라 하나의 시각적 결과물로 인식한다. 덕분에 인간이 종이 문서를 읽는 것처럼 표의 행과 열이 갖는 공간적 관계를 그대로 유지하며 데이터를 읽어낼 수 있다. 특히 Apache 2.0 라이선스로 공개되어 상업적 활용 제약이 거의 없으며, 외부 API 의존성 없이 로컬 서버의 자원만으로 구동된다. 이는 기업이 자체 인프라 내에서 저비용으로 대량의 문서를 처리할 수 있는 실질적인 기반이 된다.

로컬 환경에서의 운영 효율을 높이기 위해 Gemma 4는 시각적 토큰 예산을 70, 140, 280, 560, 1120 토큰 중 선택하여 설정할 수 있게 했다. 이는 처리 속도와 추출 정확도 사이의 균형을 사용자가 직접 제어하는 조절 다이얼 역할을 한다. 여기에 복잡한 표나 기울어진 문서의 인식률을 높이는 `enable_thinking` 옵션을 전략적으로 조합하면 하드웨어 사양에 최적화된 파이프라인을 구축할 수 있다. 결과적으로 실무자는 외부 서비스의 구독료에 의존하는 대신, 보유한 GPU 자원을 활용해 로컬 서버에서 저비용 고효율의 문서 자동화 시스템을 즉시 구축할 수 있는 판단 기준을 갖게 된다.

기술이 실제로 작동하는 방식

해상도 설정 하나에 송장의 작은 숫자가 뭉개진 얼룩이 될지, 정확한 데이터가 될지가 결정된다. PDF 페이지를 이미지로 변환하기 위해 PyMuPDF (fitz) 라이브러리를 사용한다. 이 도구는 Poppler나 Ghostscript 같은 외부 의존성 없이 작동하며, 임의의 DPI 설정으로 렌더링한 뒤 Gemma 4 프로세서가 즉시 처리할 수 있는 PIL 호환 출력을 생성한다. 기본값인 72 DPI는 화면 해상도로, 밀도가 높은 문서에서는 작은 글자가 픽셀 단위로 깨지는 현상이 발생한다. 가독성을 확보하려면 200 DPI를 설정하고, 필기체나 아주 작은 글자가 포함된 스캔본의 경우 300 DPI를 적용해 스캐너 수준의 품질을 구현한다. 해상도가 높아질수록 이미지 크기가 커지며 모델의 컨텍스트 창에서 소비되는 시각적 토큰 양이 함께 늘어난다.

모델 구동에는 `Gemma4ForConditionalGeneration` 클래스와 토크나이저 및 이미지 프로세서를 통합한 `AutoProcessor`를 사용한다. 프롬프트를 구성할 때 이미지 콘텐츠를 텍스트보다 먼저 배치하는 규칙을 엄격히 지켜야 한다. 프로세서를 통해 메시지 형식을 따르면 자동으로 처리되지만, 프롬프트를 직접 작성할 때는 반드시 이미지를 앞단에 둔다. 모델이 시각적 정보를 먼저 인지한 상태에서 텍스트 명령을 처리해야 문서 구조를 정확하게 파악하기 때문이다. 초기 테스트 단계에서는 모델이 문서 유형을 정확히 식별하고 예상 필드를 언급하는지 확인하는 설명 출력 과정을 통해 렌더링 상태를 점검한다.

읽기 성능과 추론 속도의 타협점은 시각적 토큰 예산 설정으로 조절한다. Gemma 4는 이미지당 70, 140, 280, 560, 1120 토큰 중 하나를 선택할 수 있는 가변 옵션을 제공한다. 이는 정확도와 속도를 조절하는 직접적인 제어 장치 역할을 한다. 세밀한 품목 리스트가 포함된 고밀도 문서 파싱에는 1120 토큰을 할당해 정확도를 극대화한다. 반면 단순한 페이지 분류나 단일 필드 추출 작업에는 280 토큰만으로 충분하며, 이 경우 추론 속도가 유의미하게 빨라진다. 이 설정은 모델 전체에 적용되는 글로벌 설정이 아니라 매 호출마다 개별적으로 지정하여 효율을 높일 수 있다.

로컬 서버에서 문서 자동화 파이프라인을 구축할 때는 보유한 하드웨어 사양에 맞춰 모델 크기와 토큰 예산을 결정해야 한다. 고해상도 렌더링과 높은 토큰 예산은 정확도를 높이지만 그만큼 연산 비용과 메모리 점유율이 증가한다. 처리해야 할 문서의 복잡도에 따라 DPI와 토큰 수를 단계적으로 높이며 최적의 지점을 찾는 것이 실무적인 접근이다. 특히 텍스트가 밀집된 문서에서 필드 누락이 발생한다면 토큰 예산을 1120으로 높이는 것만으로도 가시적인 개선 효과를 얻을 수 있다.

기존 방식과 달라진 지점

PDF에서 텍스트를 긁었는데 표가 다 깨지거나, 스캔본이라 아무것도 읽히지 않아 수작업으로 입력하던 경험이 있을 것이다. pdfplumber 같은 기존 도구들은 PDF 내부에 선택 가능한 텍스트 레이어가 있다는 전제로 작동한다. 스캔 문서나 이미지로만 구성된 PDF, 병합된 셀이 포함된 복잡한 표에서는 데이터가 유실되거나 읽는 순서가 뒤섞이는 현상이 빈번하다. 특히 다단 구조의 논문은 텍스트가 공간적 관계를 잃고 단순한 문자열로 나열되어 후속 파싱 단계에서 치명적인 오류를 일으킨다. 텍스트 레이어 의존성이 높을수록 문서가 가진 시각적 구조는 완전히 무시된다.

Gemma 4는 텍스트 레이어 의존성을 버리고 페이지 전체를 하나의 시각적 아티팩트로 접근한다. PDF 페이지를 고해상도 이미지로 렌더링한 뒤 이를 시각적으로 읽어내어 행과 열의 공간 관계를 그대로 보존한다. 별도의 OCR(광학 문자 인식) 파이프라인이나 레이아웃 파서, 문서 유형별 템플릿 매칭 과정이 전혀 필요 없다. 모델이 인쇄된 페이지를 사람이 읽는 방식 그대로 인식하기 때문이다. 표를 표로 보고, 열을 열로 인식하며, 병합된 셀이 있더라도 시각적 위치를 통해 행 단위로 데이터를 정확하게 읽어 내려간다. 이는 레이아웃 파서가 겪던 구조 분석의 한계를 시각적 이해로 대체한 결과다.

문서 파싱 벤치마크인 OmniDocBench 1.5에서 편집 거리(Edit distance)를 기준으로 성능을 측정했다. 편집 거리는 추출된 텍스트가 정답과 얼마나 다른지를 나타내는 수치로, 낮을수록 정확도가 높다. 테스트 결과 Gemma 4의 31B 모델이 최고 성능을 보였다. 하지만 실제 생산 환경에서 송장이나 신청서 같은 양식 파싱 작업을 수행할 때는 E4B-it 모델이 효율적인 대안이 된다. 하드웨어 요구 사양을 크게 낮추면서도 현업에서 바로 사용할 수 있는 수준의 결과물을 제공하기 때문이다. 모델 크기에 따라 성능 차이는 존재하지만, 실무적인 추출 정확도는 E4B-it 수준에서 충분히 확보된다.

로컬 서버 환경에서 보유한 하드웨어 사양에 맞는 모델을 선택하면 저비용 고효율의 문서 자동화 파이프라인를 구축할 수 있다. 텍스트 추출 도구의 고질적 한계였던 레이아웃 파괴 문제를 시각적 인식으로 해결했기 때문이다. 이제는 PDF의 내부 텍스트 구조를 분석해 정규표현식으로 긁어내는 대신, 모델이 인식하는 이미지의 해상도와 처리 능력을 기준으로 워크플로를 설계해야 한다. 하드웨어 자원과 요구 정확도 사이의 균형점을 찾는 것이 실무적인 판단 기준이다.

2-Pass 전략과 Thinking 모드로 최적화하는 추론 비용

다섯 페이지 분량의 공급업체 송장을 처리하다 보면 표지나 이용 약관처럼 텍스트는 많지만 정작 뽑아낼 데이터는 없는 페이지에서 시간을 허비하게 된다. Gemma 4는 이를 방지하기 위해 2-Pass 패턴을 적용한다. 먼저 280토큰의 낮은 시각적 예산으로 페이지의 성격을 빠르게 분류하고, 실제 데이터 추출이 필요한 페이지에만 1120토큰의 정밀 추출을 적용하는 방식이다. 5페이지 문서 기준 전체 추론 호출 횟수가 5회에서 3회로 감소하며, 결과적으로 전체 처리 시간을 35~40% 절감하는 효과를 얻는다. 무조건 높은 해상도로 읽는 대신 페이지의 가치를 먼저 판단해 연산 자원을 효율적으로 배분한 설계다.

기울어진 스캔본이나 셀이 복잡하게 병합된 표를 처리할 때 단순 추출만으로는 행과 열의 관계가 뒤섞이는 문제가 발생한다. 이 경우 `enable_thinking=True` 옵션을 설정하면 모델이 최종 답안을 내기 전 사고 체인(Chain-of-Thought)이라는 추론 과정을 거친다. 모델은 내부적으로 헤더 행이 두 열에 걸쳐 있다는 점을 분석하거나 데이터 행의 개수를 먼저 세는 식의 논리적 단계를 밟은 뒤 구조화된 JSON을 생성한다. 다만 Thinking 모드는 일반 모드보다 토큰 생성량이 2~4배 증가하며 이에 따라 응답 지연 시간이 눈에 띄게 상승한다. 모든 문서에 적용하기보다 레이아웃이 깨지기 쉬운 고난도 문서에만 제한적으로 사용하는 것이 실무적이다.

로컬 서버의 한정된 자원을 효율적으로 쓰려면 `low_confidence_fields` 리스트를 트리거로 삼는 운영 전략이 필요하다. 우선 Thinking 모드를 끈 상태에서 1차 추출을 수행하고, 결과값 중 신뢰도가 낮은 필드가 비어있지 않은 경우에만 해당 페이지를 Thinking 모드로 다시 읽게 만드는 구조다. 공급업체 이름, 송장 번호, 총 합계 금액 같은 핵심 필드에서 불확실성이 감지될 때만 추가 연산 비용을 지불하며 정밀도를 높이는 방식이다. 이렇게 fast path와 slow path를 분리하면 대부분의 정형 문서는 빠르게 처리하면서도, 복잡한 예외 케이스에서 발생하는 데이터 유실을 효과적으로 막을 수 있다. 하드웨어 사양에 맞춘 모델 선택과 이 2-pass 전략을 결합하면 로컬 환경에서도 저비용 고효율의 문서 자동화 파이프라인 구현이 가능하다.

한국 실무자를 위한 로컬 문서 파이프라인 구축 기준

PDF에서 텍스트를 긁었는데 표가 다 깨져 있거나, 스캔본이라 아무것도 읽히지 않아 결국 엑셀에 일일이 수작업으로 입력하던 시간이 사라진다. Gemma 4는 PDF를 이미지로 렌더링해 시각적으로 읽음으로써 별도의 OCR(광학 문자 인식)이나 레이아웃 파서 없이 구조화된 데이터를 추출한다. 보안이 중요한 한국 기업 환경에서 이를 로컬 서버에 구축하려면 하드웨어 사양부터 점검해야 한다. CPU 전용 추론 시에는 페이지당 30~90초가 소요되므로 실무 생산성을 위해서는 T4 15GB VRAM 이상의 GPU(그래픽 처리 장치) 사용을 권장한다. GPU가 없는 환경이라면 Google Colab의 무료 T4 인스턴스를 활용해 성능을 먼저 검증하는 방법이 있다.

모델을 내려받으려면 Hugging Face 계정을 생성하고 이용 약관에 동의한 뒤 Read Token(읽기 권한 토큰)을 발급받아야 한다. 생산성 위주의 파이프라인을 구축한다면 `google/gemma-4-E4B-it` 모델이 가장 적합하다. 31B 모델이 벤치마크 성능은 가장 높지만, E4B-it 모델은 훨씬 낮은 하드웨어 요구사항으로도 송장이나 양식 파싱에서 실무 적용 가능한 수준의 결과를 낸다. 이 모델은 특히 하드웨어 자원이 한정적인 환경에서 생산성을 극대화하는 데 초점이 맞춰져 있다. 모델 상세 정보와 가중치는 Hugging Face에서 확인할 수 있으며, 모델 ID만 변경하면 다른 크기의 모델로도 동일한 코드를 실행할 수 있다.

추론 속도와 정확도는 시각적 토큰 예산(이미지 한 장당 할당하는 연산량)과 `enable_thinking` 옵션으로 제어한다. 토큰 예산은 70, 140, 280, 560, 1120 중에서 선택 가능하며, 단순 페이지 분류는 280, 정밀 데이터 추출은 1120을 사용한다. 복잡한 표나 필기체가 포함된 문서는 `enable_thinking`을 활성화해 모델이 최종 답변 전 스스로 추론 과정을 거치는 생각의 사슬(Chain-of-Thought)을 생성하게 함으로써 정확도를 높인다. 다만 추론 모드는 토큰 생성량이 2~4배 늘어나 지연 시간이 발생하므로, 먼저 일반 모드로 실행한 뒤 신뢰도가 낮은 필드만 다시 추론하는 전략을 쓰는 것이 효율적이다.

로컬 문서 자동화의 핵심은 하드웨어 제약과 정확도 사이의 타협점을 찾는 것이다. 보유한 GPU 메모리가 부족하다면 E4B-it 모델을 선택하고, 전체 페이지를 고해상도로 읽기보다 2-pass 전략을 통해 필요한 페이지만 정밀 추출하는 방식을 적용한다. 이러한 패턴은 전체 추론 횟수를 줄여 처리 시간을 35~40%가량 단축하면서도 추출 품질을 유지한다. 데이터 보안을 위해 외부망을 차단한 폐쇄망 환경에서도 동일한 효율을 기대할 수 있다. 이 조합을 통해 외부 API 호출이나 클라우드 전송 없이도 저비용 고효율의 문서 파이프라인을 로컬 서버에서 완성할 수 있다.

PDF의 깨진 표를 보며 엑셀에 일일이 수작업으로 입력하던 비효율은 이제 기술적 선택의 문제로 바뀐다. Gemma 4가 PDF를 이미지로 렌더링해 시각적으로 읽어내는 방식은 복잡한 OCR 파이프라인을 걷어내고 데이터 추출의 경로를 단순화했다.

보유한 GPU 사양에 맞는 모델을 선택하고 텍스트 밀도에 따라 토큰 예산을 1120까지 조정하는 것만으로도 충분하다. 여기에 2-pass 전략을 결합해 로컬 서버에서 비용 효율적인 문서 자동화 파이프라인을 직접 구축하는 것이 가장 실무적인 정답이다.