Marker v2 vs MinerU vs Docling vs LiteParse: olmOCR-bench 기반 오픈소스 PDF to Markdown 파서 벤치마크 분석

오픈소스 문서 파서 시장은 RAG 전처리와 디지털 아카이빙 수요가 폭증하면서 2026년에도 빠르게 재편되고 있다. 그 한복판에 Datalab의 Marker v2가 3-모드 파이프라인으로 다시 등장했고, olmOCR-bench 기준 76.0점, B200 GPU에서 초당 2.9페이지 처리라는 수치를 내세우며 경쟁 도구들과의 격차를 정면으로 드러냈다. 본 글은 이 벤치마크 결과를 단순 점수 비교가 아닌 실무 의사결정 기준으로 재해석한다.

문서 파싱 도구가 다시 주목받는 이유: RAG와 디지털 아카이빙의 전처리 병목

RAG 시스템의 품질은 결국 청크 단위 텍스트의 충실도에 달려 있고, 디지털 아카이빙 프로젝트는 수십만 페이지의 PDF를 사람이 일일이 손볼 수 없는 규모로 다룬다. 이런 환경에서 PDF to Markdown 정확도 한 단계 차이가 검색 재현율과 운영비 전체를 흔든다. 그 결과 오픈소스 파서 경쟁 구도가 다시 가열되고 있으며, 단순 OCR 라이브러리가 아닌 레이아웃 인지형 파서가 RAG·디지털 아카이빙 전처리 분야에서 사실상 표준으로 부상하고 있다.

왜 PDF to Markdown이 핵심 기술이 되었는가

PDF는 본질적으로 인쇄용 포맷이라 의미 단위 경계가 모호하다. 표, 다단 편집, 머리글·바닥글, 캡션, 참조 번호가 시각적으로만 분리되어 있어 그대로 추출하면 RAG 임베딩 품질이 급락한다. Markdown은 헤딩·리스트·테이블 같은 구조 메타데이터가 명시적이라, LLM 프롬프트와 청킹 로직에 그대로 흘려보내기 좋다. 그래서 정확도뿐 아니라 “구조를 얼마나 잘 보존하는가”가 PDF to Markdown 도구 평가의 핵심 축이 되었다.

오픈소스 파서 경쟁 구도의 변화

이전 세대 도구들은 OCR 정확도에 집중했지만, 최신 도구군은 레이아웃 분석과 추출 파이프라인을 분리해 단계별로 최적화하는 방향으로 이동했다. MinerU가 레이아웃 인지 후처리 파이프라인을 강화한 것과, Datalab가 Marker를 3-모드 구조로 재설계한 것이 같은 흐름의 표본이다. Docling과 LiteParse도 각자의 트레이드오프 위에서 이 구도에 참여하고 있다.

벤치마크의 무대: olmOCR-bench와 평가 지표 이해하기

어떤 도구가 우위인지를 논하려면 먼저 평가 무대를 정의해야 한다. 본 벤치마크의 핵심은 olmOCR-bench라는 공개 평가셋과, 단일 B200 GPU라는 일관된 하드웨어 조건이다. 평가 환경 통제 여부가 도구 간 비교의 신뢰도를 결정한다.

olmOCR-bench가 측정하는 것은 무엇인가

olmOCR-bench는 단순 글자 인식률을 넘어 레이아웃 보존, 표 재현, 다단 편집 처리, 머리글·바닥글 분리 정확도까지 함께 평가하는 종합 벤치마크로 알려져 있다. 본 결과에서 Marker v2가 기록한 76.0점은 이 종합 점수이며, 특정 하위 항목 점수가 아니라 통합 지표라는 점을 유의해야 한다.

단일 B200 GPU 환경 기준 처리량 측정 방식

처리 속도 비교는 모두 “단일 B200 GPU”라는 동일한 하드웨어에서 측정되었다. 이는 멀티 GPU 분산이나 배치 최적화를 배제하고 단일 GPU 기준 파이프라인 효율을 본 결과로 해석하는 것이 타당하다. 환경 변수 통제가 이루어진 만큼 도구 간 비교의 신뢰도가 높아진다.어야 점수와 속도 우위를 동시에 주장할 수 있기 때문이다.

Datalab Marker v2의 3-모드 파이프라인 구조 뜯어보기

Marker v2는 단순 버전 업데이트가 아니라, 아키텍처 자체를 재설계한 릴리스에 가깝다. 기존 단일 추론 경로를 3개의 모드로 분리해, 문서 유형별 최적 경로를 태우도록 바뀐 점이 핵심이다.

탐지-추출-재조합으로 재설계된 아키텍처

3-모드 파이프라인은 일반적으로 문서 영역 탐지, 텍스트·표·이미지 추출, 최종 구조 재조합의 세 단계로 나뉜다. 각 모드를 독립적으로 교체하거나 튜닝할 수 있어, RAG용으로는 추출 모드를 빠르게, 아카이빙용으로는 재조합 모드를 정밀하게 운용하는 식의 분기가 가능하다. 이러한 모듈화가 olmOCR-bench 76.0점이라는 수치를 만든 배경으로 분석된다.

olmOCR-bench 76.0점의 의미와 해석

76.0점은 공개된 동일 평가셋 위에서 측정된 통합 점수이며, 비교군 대비 상대 우위의 기준으로 해석해야 한다. 같은 olmOCR-bench에서 Docling이 보인 점수와의 격차가 정확도 우위의 핵심 근거이며, 이 수치는 MarkTechPost가 정리한 벤치마크 결과에서 확인된다.

MinerU의 파이프라인 백엔드와 속도 비교

MinerU는 다단 레이아웃 인식에서 강한 평판을 가진 도구다. 그러나 본 벤치마크 환경(단일 B200 GPU 기준)에서는 Marker v2 대비 속도에서 명확한 한계를 보였다.

MinerU 강점인 다단 레이아웃 인식과 한계

MinerU의 레이아웃 분석 백엔드는 복잡한 학술 논문, 다단 신문, 혼합 표 같은 문서에서 일관된 강점을 보여왔다. 다만 다단계 파이프라인 구조상 단일 GPU 환경에서 처리 지연이 발생하기 쉬운 점이 한계로 지적된다. 누적되는 경향이 있으며, 본 벤치마크에서도 속도 항목에서 열위에 놓인 것으로 보인다.

B200 기준 초당 2.9페이지 vs MinerU 5배 격차

단일 B200 GPU에서 Marker v2는 초당 2.9페이지를 처리했고, 이는 MinerU 대비 5배 이상 빠른 처리량에 해당한다. 동일 정확도라면 5배의 처리량은 운영비와 배치 처리 시간 모두에서 직접적인 이점으로 이어진다. 다만 이 격차가 모든 문서 유형에서 동일하게 유지되는지는 추가 검증이 필요한 영역이다.

Docling과 LiteParse는 어디에서 경쟁력이 살아나는가

경쟁 도구 일색이 약자일 수는 없다. Docling과 LiteParse는 각자의 영역에서 여전히 유효한 선택지다.

Docling의 정확도-속도 트레이드오프 분석

Docling은 본 벤치마크에서 Marker v2 대비 정확도와 속도 모두에서 밀린 것으로 보고되었다. 그러나 엔터프라이즈 통합 사례와 안정성 측면에서는 여전히 채택 가치가 있으며, “속도보다 일관성”이 우선인 환경에서는 후보로 남는다.

LiteParse가 가벼운 문서에서 보여주는 효율성

LiteParse는 이름처럼 경량 문서에서 효율을 보이는 도구로 분류된다. 단순 텍스트 중심 PDF나 소규모 배치 환경에서는 자원 대비 합리적 선택지가 될 수 있지만, 복합 레이아웃 문서에서는 한계가 뚜렷한 것으로 보인다.

도구별 포지셔닝 요약

도구	olmOCR-bench 정확도	단일 B200 처리 속도	주요 강점	주요 약점
Marker v2	76.0점 (상위권)	약 2.9 pages/sec	3-모드 파이프라인, MinerU 대비 5배 이상 속도	특수 문서 추가 검증 필요
MinerU	중상위	Marker v2 대비 느림	다단 레이아웃 인식	파이프라인 지연 누적
Docling	중위	중위	안정성·엔터프라이즈 통합	속도·정확도 모두에서 열위
LiteParse	경량 문서 한정	경량 문서 한정 효율	저자원 환경 적합	복합 레이아웃 처리 한계

실무 시나리오별 추천 조합과 의사결정 프레임

벤치마크 결과를 실제 운영에 이식할 때는 “최고의 도구”보다 “시나리오에 맞는 조합”을 찾는 것이 더 현실적이다.

대량 PDF RAG 전처리에 최적화된 구성

수만 페이지 이상의 PDF를 RAG로 올려야 하는 경우, 1차 전처리에는 Marker v2를 기본값으로 두고, 표·이미지 비중이 높은 일부 문서만 Docling으로 분기하는 구성이 효율적인 것으로 분석된다. 이 조합은 처리 속도와 정확도의 균형점을 가장 빠르게 확보할 수 있다.

디지털 아카이빙과 복합 레이아웃 문서 처리 전략

아카이빙은 정확도가 속도보다 우선인 영역이다. 따라서 기본 경로는 Marker v2의 3-모드 중 재조합 모드를 정밀 옵션으로 활성화하고, 다단 학술 논문처럼 레이아웃이 극단적인 문서는 MinerU를 보조 경로로 두는 이중 파이프라인이 합리적인 것으로 보인다.

한계와 추가 검증 포인트

공개 벤치마크는 의사결정의 출발점이지 최종 답이 아니다. 다음 항목은 실제 도입 전에 별도로 확인해야 할 영역이다.

미커버 문서 유형

olmOCR-bench가 다루지 못하는 문서 유형(고문서, 손글씨, 스캔 잡영역 PDF, 다국어 혼재 문서)에 대한 검증은 별도 데이터셋으로 수행해야 한다. Marker v2의 76.0점은 해당 벤치마크 분포 안에서의 결과임을 유의해야 한다.

운영 환경에서 추가로 검증해야 할 항목들

• 멀티 GPU 분산 처리 시 처리량 곡선 변화
• OCR 실패 사례에 대한 폴백 전략
• 청킹·임베딩 단계와의 호환성 테스트
• 도구 버전 업그레이드 시 재현율 회귀 여부

정리: 2026년 문서 파싱 도구 선택의 기준선

2026년 문서 파싱 도구의 선택 기준은 더 이상 단일 점수가 아니라, 속도·정확도·유지보수성을 함께 보는 시각에서 결정된다. Marker v2는 이 세 축 모두에서 새로운 기준선을 제시한 것으로 보이며, 특히 대량 PDF 환경에서의 기본값으로 적합하다. 다만 모든 워크로드에 단일 도구가 답이 될 수는 없으므로, 시나리오별 분기 전략과 보조 도구 결합이 여전히 핵심이다.

속도·정확도·유지보수성을 함께 보는 시각

도구 선택은 한 번의 벤치마크로 끝나지 않는다. 속도와 정확도뿐 아니라 도구의 업데이트 주기, 커뮤니티 활성도, 자체 호스팅 용이성까지 함께 따져야 운영 리스크를 줄일 수 있다. 본 벤치마크 결과는 그 의사결정의 첫 번째 필터로 활용할 때 가장 큰 가치를 발휘한다.

출처 및 참고 자료

• MarkTechPost: Datalab Marker v2 vs MinerU, Docling, and Liteparse Benchmark Breakdown
• Datalab Marker 프로젝트 페이지