Luminir Document Parser가 뭔가요?

Luminir Document Parser는 문서 파서입니다. 공개된 자체 측정 결과에서 한국어 실제 문서를 대상으로 한 KoOCR-Bench 종합 점수는 0.759입니다.

공공기관과 기업이 문서 AI나 검색증강생성(RAG)을 검토할 때는 생성형 AI가 답변을 얼마나 자연스럽게 만드는지만으로 제품을 판단하기 어렵습니다. 답변의 근거가 되는 문서에서 글자와 표를 제대로 읽었는지, 제목과 본문의 순서가 유지됐는지에 따라 검색에 활용할 수 있는 정보가 달라지기 때문입니다.

Luminir Document Parser는 르몽이 공개한 문서 파서입니다. 공개된 벤치마크 자료는 문서의 읽기 순서, 표, 제목 단계, 글자, 요소 위치 등을 측정 대상으로 제시합니다. Luminir Document Parser는 문서를 파싱하는 제품입니다. [1]

다만 제공된 자료에서 자세히 확인되는 범위는 Document Parser의 벤치마크 결과입니다. Luminir 전체 제품군의 구성이나 모든 기능, 구체적인 설치 방식과 보안 조건까지 이 자료만으로 확정할 수는 없습니다. [1]

아래에서는 공개된 점수와 측정 조건을 구분해 살펴보고, 해당 점수가 도입 기관의 RAG 성능을 어디까지 설명하는지 정리합니다.

Luminir Document Parser를 이해할 때 먼저 알아야 할 점은 무엇인가요?

• 르몽은 공개 벤치마크의 데이터와 채점 코드를 사용해 Luminir Document Parser를 직접 측정했다고 밝힙니다. 제3자가 독립적으로 측정했다는 내용은 제공된 자료에서 확인되지 않습니다. [1]
• 공개 결과에는 영어 문서 벤치마크와 한국어 실제 문서 벤치마크가 포함됩니다. 데이터와 대표 지표가 다르므로 대표 점수를 같은 시험의 점수처럼 직접 비교할 수 없습니다. [1]
• 표 구조, 내용 일치도와 읽기 순서 같은 파싱 점수는 유용하지만, RAG 검색 정확도나 최종 답변 품질을 직접 측정한 결과는 아닙니다. [1][2][3]
• 도입 판단에는 벤치마크 원문 데이터와 채점 방식뿐 아니라 기관의 문서 유형, 제품의 배포, 보안 조건, 운영 환경에서의 평가 자료를 함께 확인할 필요가 있습니다. 제공된 자료에는 이 조건들의 구체적인 답이 모두 담겨 있지는 않습니다.

Luminir Document Parser와 RAG는 어떤 관계인가요?

문서 파싱은 무엇을 다루나요?

문서 파싱은 문서에 담긴 정보를 추출하고 그 구성을 해석하는 작업입니다. Luminir의 공개 벤치마크가 측정하는 항목을 보면 파싱 결과는 단순히 글자가 추출됐는지만으로 평가되지 않습니다. [1]

예를 들어 다음과 같은 구분이 있습니다.

• 읽기 순서: 문서의 내용을 어떤 순서로 읽었는지 [1]
• 표 구조와 내용: 표의 구성과 셀 내용이 정답에 얼마나 일치하는지 [1]
• 제목 단계: 제목 단계 지표(MHS)의 점수입니다. [1]
• 요소 위치: 문서 요소의 위치 좌표가 정답에 얼마나 일치하는지
• 본문 글자: 본문에서 글자 오류가 얼마나 발생했는지

이런 항목은 문서를 검색 가능한 정보로 다룰 때 각각 다른 의미를 가집니다. 표의 글자가 추출되더라도 표 구조가 정답과 다를 수 있고, 글자가 인식되더라도 읽기 순서가 원문과 다를 수 있습니다. 따라서 하나의 점수만 보기보다 업무에서 중요한 요소별 결과를 구분해 읽는 것이 적절합니다.

파서 점수와 RAG 점수는 어떻게 다른가요?

RAG는 질문과 관련된 정보를 문서 모음에서 찾는 검색기와, 질문 및 검색된 정보를 바탕으로 응답을 만드는 언어 모델로 구성되는 방식입니다. 문서 파싱은 이 전체 과정에서 문서를 다루는 부분과 관련이 있습니다. [2][4]

RAG 평가를 다룬 RAGBench 연구도 RAG 시스템을 종합적으로 평가하는 데 어려움이 있다고 설명합니다. 이 연구는 산업별 문서에서 가져온 예시와 설명 가능한 평가 지표를 제시합니다. 연구에서 다루는 것은 RAG 시스템의 평가이며, 제공된 내용에 Luminir를 RAGBench로 측정한 결과가 있는 것은 아닙니다. [1][4]

핵심은 파싱 품질과 업무용 RAG 품질을 구별하는 것입니다. Luminir의 파서 점수가 높다는 사실만으로 특정 기관의 검색 결과나 답변 품질이 어느 수준일지 단정할 수 없습니다.

공개 벤치마크는 어떤 조건에서 측정됐나요?

르몽은 모든 점수가 각 벤치마크에서 공개한 데이터와 채점 코드를 사용한 자체 측정값이라고 설명합니다. 측정일과 세부 점수도 함께 공개했습니다. [1]

자료에 따르면 점수는 1.0일 때 정답과 같다는 의미입니다. 다만 OmniDocBench의 본문 편집 거리는 예외적으로 낮을수록 좋은 오류 지표로 제시돼 있습니다. [1]

벤치마크별 데이터와 대표 결과는 무엇인가요?

다음 표에는 다른 제품의 결과를 제외하고 Luminir의 공개 결과만 정리했습니다.

벤치마크	공개된 데이터 조건	대표 지표	Luminir 점수	측정일
opendataloader-bench	영어 문서 200쪽	읽기 순서, 표, 제목을 합친 종합 점수	0.914	2026-10-12 [1]
KoOCR-Bench	v1.2, 한국어 실제 문서 604쪽	글자, 표, 읽기 순서, 제목, 위치를 합친 종합 점수	0.759	2026-10-12 [1]
DP-Bench	영어 문서 200쪽	표 구조, 내용 일치도(TEDS)	0.962	2026-09-23
OmniDocBench v1.5	문서 1,651쪽	표 구조, 내용 일치도(TEDS)	0.934	2026-10-23 [1]

이 표의 점수는 모두 같은 종류의 종합 점수가 아닙니다. 앞의 두 값은 각각 해당 벤치마크의 종합 점수이고, 뒤의 두 값은 표 구조, 내용 일치도입니다. 한국어와 영어 데이터도 섞여 있습니다. 따라서 숫자의 크기만 보고 어떤 문서 언어나 벤치마크에서 제품이 더 우수하다고 해석하는 것은 적절하지 않습니다. [1]

또한 제공된 내용에는 벤치마크별 문서의 세부 구성, 제품 실행 환경과 설정, 반복 측정 여부, 결과의 통계적 변동 등이 충분히 제시돼 있지 않습니다. 이 조건들은 제공된 발췌 내용만으로 확인할 수 없습니다. [1]

opendataloader-bench는 읽기 순서와 표, 제목을 어떻게 평가했나요?

opendataloader-bench의 공개 조건은 영어 문서 200쪽입니다. 대표 지표는 읽기 순서, 표, 제목을 합친 종합 점수이며, 측정일은 2026년 10월 12일입니다. [1]

Luminir 세부 지표	점수
종합	0.914 [1]
읽기 순서(NID)	0.944 [1]
표(TEDS)	0.934 [1]
제목 단계(MHS)	0.834 [1]

르몽은 자체 측정한 종합 점수가 해당 벤치마크의 공개 1위 점수보다 높다고 설명합니다. 다만 이는 르몽이 공개한 비교 설명이며, 제공된 내용만으로 제품 간 실행 환경이나 개별 비교 조건을 모두 확인할 수는 없습니다. [1]

도입 담당자에게는 종합 점수와 함께 자신의 문서에서 중요한 항목의 세부 점수가 의미 있습니다. 예컨대 표 중심 문서를 다룬다면 표 점수를, 제목의 단계 구분이 중요한 문서를 다룬다면 제목 단계 점수를 별도로 볼 수 있습니다. 이 점수들이 해당 기관의 문서에서도 그대로 재현된다는 뜻은 아닙니다. [1]

KoOCR-Bench의 한국어 실제 문서 결과는 무엇인가요?

KoOCR-Bench 결과는 v1.2의 한국어 실제 문서 604쪽을 대상으로 합니다. 대표 지표는 글자, 표, 읽기 순서, 제목, 위치를 합친 종합 점수이며 측정일은 2026년 10월 12일입니다. [1]

Luminir 세부 지표	점수
종합	0.759 [1]
요소 위치 좌표	0.976 [1]

한국어 문서를 다루는 기관에는 이 결과가 직접적으로 관심을 끌 수 있습니다. 다만 제공된 자료는 한국어 실제 문서라는 점과 쪽수, 버전, 지표를 밝히는 수준입니다. 개별 문서의 분야와 구성, 스캔 및 표의 비중이 도입 대상 문서와 얼마나 유사한지는 여기서 확인되지 않습니다. [1]

르몽은 해당 종합 점수를 설치형 엔진 중 최고 점수라고 소개합니다. 그렇지만 이 문구만으로 Luminir의 모든 설치, 배포 방식이나 기관 내부망에서의 운영 조건을 확정할 수는 없습니다. 실제 제공 방식은 별도 확인이 필요한 항목입니다. [1]

DP-Bench는 표 검출과 구조를 어떻게 평가했나요?

DP-Bench는 영어 문서 200쪽을 대상으로 하며, 대표 지표는 표 구조와 내용이 정답과 얼마나 같은지를 나타내는 TEDS입니다. 측정일은 2026년 9월 23일입니다. [1]

Luminir 세부 지표	점수
표 구조, 내용 일치도(TEDS)	0.962 [1]
표 구조 일치도(TEDS-S)	0.976 [1]
표 검출 F1	0.973 [1]
글자 순서 일치도(NID)	0.958 [1]

여기서는 표를 찾아냈는지, 표 구조가 정답과 얼마나 같은지, 구조와 내용이 함께 얼마나 일치하는지가 구분돼 있습니다. 표 검출 점수와 표 구조 및 내용 점수는 같은 측정이 아닙니다. [1]

르몽은 벤치마크 저장소에 공개된 상용 파서 결과와 같은 채점 코드로 비교했을 때, 자사 결과가 표 검출과 표 구조, 내용 지표에서 가장 높았다고 설명합니다. 이 역시 공개된 범위와 자체 측정이라는 조건을 붙여 읽어야 합니다. [1]

OmniDocBench의 표와 본문 오류 결과는 무엇인가요?

OmniDocBench v1.5의 공개 데이터 규모는 문서 1,651쪽입니다. 대표 지표는 표 구조, 내용 일치도이며, 측정일은 2026년 10월 23일입니다. [1]

Luminir 세부 지표	점수	해석 방향
표 구조, 내용 일치도(TEDS)	0.934	정답과의 일치도 [1]
표 구조 일치도	0.960	정답 구조와의 일치도 [1]
본문 편집 거리	0.037	낮을수록 좋음 [1]

본문 편집 거리 0.037은 다른 두 일치도 점수와 달리 낮을수록 좋게 제시된 값입니다. 따라서 이를 단순히 표의 0.934 또는 0.960과 크기만 비교해서는 안 됩니다. [1]

제공된 내용은 이 벤치마크의 전체 쪽수를 제시하지만, 문서의 언어별 구성이나 도입 대상 기관 문서와의 유사성까지 설명하지는 않습니다. [1]

벤치마크 점수를 해석할 때 어떤 차이를 살펴야 하나요?

종합 점수와 개별 점수는 무엇이 다른가요?

종합 점수는 여러 평가 항목을 한 숫자로 요약합니다. 반면 세부 점수는 읽기 순서, 표, 제목이나 위치처럼 개별 기능과 관련된 결과를 보여줍니다. [1]

예를 들어 KoOCR-Bench의 종합 점수와 요소 위치 좌표 점수는 서로 다른 항목입니다. 요소 위치 좌표의 점수가 높다는 사실을 종합 점수 전체와 동일한 의미로 해석할 수 없습니다. 마찬가지로 opendataloader-bench의 종합 점수 하나만으로 제목 단계나 표의 세부 결과를 대체해서는 안 됩니다. [1]

제공된 자료는 종합 점수가 포함하는 항목은 설명하지만, 각 항목의 세부 배점이나 계산 방식까지 제시하지는 않습니다. 종합 점수의 구성 비중이 중요하다면 벤치마크 원문과 채점 코드를 확인할 수 있습니다. [1]

같은 TEDS 점수라도 시험 문서는 어떻게 다른가요?

DP-Bench와 OmniDocBench v1.5는 모두 표 구조, 내용 일치도인 TEDS를 대표 지표로 제시합니다. 그러나 공개된 데이터 조건이 같지는 않습니다. [1]

• DP-Bench: 영어 문서 200쪽
• OmniDocBench v1.5: 문서 1,651쪽 [1]

따라서 두 점수의 차이를 제품 성능이 시간에 따라 변했다거나 특정 환경에서 어느 정도 개선됐다는 뜻으로 읽을 근거는 없습니다. 측정 데이터가 서로 다르기 때문입니다. 제공된 자료에는 두 평가가 동일한 제품 설정으로 실행됐는지도 구체적으로 제시되지 않습니다.

비교 결과에서 측정 주체와 범위를 왜 확인해야 하나요?

공개 페이지의 순위 관련 설명은 Luminir의 자체 측정 결과를 공개된 결과와 비교한 것입니다. 이는 도입 검토의 출발점이 될 수 있지만, 독립적인 인증이나 모든 환경에서의 우위를 뜻하는 문구로 확대할 수는 없습니다. [1]

특히 순위 설명을 읽을 때 확인되는 것과 확인되지 않는 것을 구분할 필요가 있습니다.

확인되는 내용	제공된 내용만으로 확인하기 어려운 내용
르몽이 공개 데이터와 채점 코드를 사용해 직접 측정했다고 밝힘	외부 기관이 같은 결과를 독립적으로 재현했는지 [1]
벤치마크별 대표 점수, 일부 세부 점수, 측정일	모든 실행 설정과 환경의 세부 내역 [1]
일부 벤치마크에서 공개 결과보다 높다는 르몽의 비교 설명	도입 기관의 문서에서 같은 순위나 차이가 유지되는지

도입을 검토할 때 어떤 자료와 조건을 확인해야 하나요?

제공된 발췌문에는 기관별 도입 절차나 합격 기준이 제시돼 있지 않습니다. 따라서 아래 항목은 새로운 기준이나 필수 절차가 아니라, 공개 자료에서 확인할 수 없는 부분을 좁히기 위한 질문입니다. [2][3]

실제로 다룰 문서가 벤치마크와 얼마나 비슷한가요?

벤치마크 결과를 업무에 연결하려면 평가 대상과 기관이 보유한 문서 사이의 차이를 살펴볼 필요가 있습니다.

확인할 내용	살펴볼 이유
문서 언어	공개 결과에는 영어 문서와 한국어 실제 문서가 각각 포함됨 [1]
문서 유형과 구성	벤치마크 문서가 기관의 문서와 얼마나 비슷한지는 제공된 내용에서 충분히 확인되지 않음
표의 비중과 중요도	공개 결과에 표 검출, 구조 일치도, 구조, 내용 일치도가 별도로 제시됨 [1]
제목과 읽기 순서의 중요도	종합 점수 외에 제목 단계와 읽기 순서 점수가 별도로 제시됨 [1]
스캔, 이미지가 포함된 문서	한국어 PDF 전처리 연구에서 텍스트와 스캔 문서를 구분해 다룸

특히 한국어 벤치마크가 있다는 사실과 기관의 한국어 문서에 대한 성능이 확인됐다는 사실은 다릅니다. 기관 문서의 분야, 구성, 스캔 상태가 평가 데이터와 다를 수 있기 때문입니다. 제공된 자료는 그런 차이에 따른 Luminir의 성능을 제시하지 않습니다. [1]

벤치마크 원문과 측정 결과를 어디까지 확인할 수 있나요?

Luminir 벤치마크 페이지는 일부 벤치마크의 원문 데이터와 채점 코드로 연결되는 항목을 안내합니다. 측정 결과를 자세히 이해하려는 담당자는 다음 자료가 공개돼 있는지 살펴볼 수 있습니다. [1]

• 벤치마크의 데이터 설명과 버전
• 평가 지표의 정의와 채점 코드
• Luminir에 적용된 제품 버전과 실행 설정
• 측정일에 해당하는 결과와 세부 항목
• 문서 유형별 결과나 오류 사례가 제공되는지 여부

이 중 앞의 데이터, 채점 코드 안내와 측정일, 일부 세부 점수는 공개 페이지에서 확인됩니다. 반면 제품 버전, 실행 설정, 상세 오류 사례가 제공된 발췌 내용에 충분히 나타나지는 않습니다. 그런 정보가 필요하다면 제공 여부 자체를 확인할 항목입니다. [1]

또한 종합 점수의 산출 방식을 확인할 때는 어떤 세부 항목이 포함되는지와 함께, 벤치마크가 제공하는 계산 방식을 살펴봐야 합니다. 공개된 점수만으로 모든 계산 조건을 복원할 수 있다고 단정하기 어렵습니다.

기관 환경에 맞는 배포와 보안 조건이 확인됐나요?

공개 페이지에는 도입 상담을 통해 기관 환경에 맞는 구성을 안내한다는 내용이 있습니다. 하지만 제공된 내용에는 구체적인 배포 구조나 보안 조치가 상세히 담겨 있지 않습니다.

공공기관과 기업의 담당자가 확인할 질문은 다음과 같습니다.

• 제품은 어떤 방식으로 제공되며, 해당 기관 환경에 적용 가능한가요?
• 처리할 문서와 결과물은 어떤 환경에서 다뤄지나요?
• 기관이 요구하는 보안 조건과 제품의 제공 조건을 비교할 자료가 있나요?
• 지원하는 문서 형식과 출력 형식은 무엇인가요?
• 운영에 필요한 기술 환경, 처리 조건, 비용과 지원 범위는 무엇인가요?

이 질문들은 제공된 자료에서 답을 확인하지 못한 부분입니다. 벤치마크 점수만으로 보안 적합성, 처리 속도, 비용 또는 기관 내 운영 가능성을 판단할 수는 없습니다.

파싱 이후의 검색과 답변 평가 자료가 있나요?

문서 AI 도입 목적이 RAG라면 파싱 결과 외에 검색과 답변 생성에 관한 자료가 중요합니다. 제공된 한국어 PDF 전처리 벤치마크는 파싱, 정제, 청킹의 선택이 검색 품질에 미치는 영향을 다룹니다. [2]

해당 실험에는 문서 64개, 질문 300개, 5개 도메인이 포함됐습니다. 질문에는 정답 문서와 페이지, 정답 텍스트, 문맥 유형이 연결돼 있으며, 문맥 유형에는 문단, 표, 이미지 등이 포함됩니다. 연구자는 검색 결과를 정답 페이지와 맞춰 평가하고, 일부 비교에서는 청크가 포함하는 페이지 범위의 차이도 고려했습니다. [2]

이 사례가 보여주는 점은 파서 결과를 읽을 때 검색 조건도 함께 중요하다는 것입니다. 청크가 서로 다른 범위의 페이지를 포함한다면, 검색 상위 결과의 단순 비교가 다른 조건을 섞어 보여줄 수 있습니다. [2]

다만 이 실험은 Luminir의 RAG 성능 평가가 아닙니다. 실험 저장소 역시 다른 문서 집합에서의 강건성과 임베딩 검색, 답변 생성 단계의 재검증을 남은 과제로 제시합니다. 따라서 실험의 결론을 Luminir 또는 모든 기관의 문서에 그대로 적용할 수는 없습니다.

도입 상담이나 자료 검토에서 구분할 질문은 다음과 같습니다.

• 공개된 결과가 파싱 정확도를 측정한 것인가요, 아니면 검색 결과나 생성 답변까지 측정한 것인가요?
• 검색 평가라면 정답 문서 또는 페이지를 어떤 방식으로 판정했나요?
• 표, 본문, 이미지처럼 서로 다른 문맥 유형의 결과가 구분돼 있나요?
• 생성 답변 평가가 있다면 어떤 기준과 데이터로 평가했나요?
• 해당 결과는 Luminir를 사용한 결과인가요, 아니면 별도의 일반 연구 사례인가요?

제공된 정보에서는 Luminir를 적용한 검색, 답변 생성의 구체적인 평가 결과를 확인할 수 없습니다. [1][2]

파서의 공개 점수만으로 RAG 도입을 판단할 수 있나요?

공개 자료를 기준으로 보면 Luminir Document Parser는 단일 숫자만 제시하는 것이 아니라, 서로 다른 문서 데이터와 여러 세부 지표를 사용한 자체 측정 결과를 공개하고 있습니다. 영어 문서의 표 구조, 내용과 읽기 순서뿐 아니라 한국어 실제 문서의 종합 점수와 요소 위치 결과도 제시한다는 점에서, 문서 파서 검토에 활용할 만한 자료입니다. [1]

반면 이 자료만으로는 도입 기관의 문서에서 같은 결과가 나올지, 실제 RAG 검색과 답변이 어느 정도 개선될지, 기관의 보안, 배포 조건에 부합할지를 결론낼 수 없습니다. 특히 벤치마크마다 데이터와 대표 지표가 다르므로, 숫자를 한 줄로 나열한 뒤 가장 큰 점수를 제품의 전체 성능으로 받아들이는 방식은 피해야 합니다.

따라서 가장 타당한 판단은 다음과 같습니다. Luminir의 공개 점수는 문서 파싱 후보를 검토할 근거이지만, 도입 적합성을 확정하는 근거는 아닙니다. 공공기관과 기업 담당자는 공개된 벤치마크 조건을 자신의 문서 및 업무와 연결해 해석하고, 공개 자료에 없는 실행, 보안, RAG 평가 조건은 별도로 확인해야 합니다.