본 논문은 저자원 언어의 문서 시각적 질의응답(DocVQA) 과제의 어려움을 해결하기 위해, 헝가리어를 대상으로 확장 가능한 데이터셋 구축 방법을 제시합니다. 특히, Common Crawl에서 수집한 헝가리어 문서를 기반으로 수동으로 구축한 소규모 HuDocVQA-manual과 합성적으로 생성한 대규모 HuDocVQA 데이터셋을 제시합니다. HuDocVQA는 품질 필터링 및 중복 제거를 통해 인간 수준의 품질을 달성하도록 노력했습니다. 또한, 헝가리어 OCR 모델 학습에 사용할 수 있는 117,000페이지의 헝가리어 Common Crawl PDF 데이터셋인 HuCCPDF도 함께 공개합니다. 실험 결과, 제시된 데이터셋으로 Llama 3.2 11B Instruct 모델을 fine-tuning 했을 때 HuDocVQA 성능이 7.2% 향상되는 것을 확인했습니다. 본 논문에서 제시된 데이터셋과 코드는 공개되어 다국어 DocVQA 연구를 촉진할 것으로 기대됩니다.
