한국어 문서 검색 벤치 · v1 · 고정일 2026-10-19

형사-v1

형법·형사소송법·특가법·성폭력처벌법·도로교통·교통사고특례와 형사 판례 · 코퍼스 문서 5,618건 · 공개 문항 100 · 숨긴 문항 50

묶음별 점수

큰 숫자는 recall@10, 아래는 @1 · @5 · MRR 입니다. ‘전체’는 공개 문항 전부, ‘숨김’은 숨긴 문항만입니다(따로 셉니다). 다른 평가판과 점수를 비교하지 않습니다.

모델전체사연상담일상어키워드숨김
BM25
0.38
0.08 · 0.29 · 0.173
0.28
0.07 · 0.17 · 0.140
0.53
0.08 · 0.44 · 0.227
0.31
0.06 · 0.13 · 0.099
0.32
0.11 · 0.32 · 0.186
0.26
0.06 · 0.24 · 0.140
EmbeddingGemma 2
0.62
0.31 · 0.52 · 0.411
0.55
0.31 · 0.48 · 0.391
0.67
0.39 · 0.56 · 0.476
0.69
0.25 · 0.50 · 0.379
0.58
0.21 · 0.53 · 0.346
0.54
0.18 · 0.44 · 0.302
EmbeddingGemma 2 GGUF
0.61
0.31 · 0.54 · 0.411
0.55
0.31 · 0.52 · 0.386
0.67
0.39 · 0.58 · 0.482
0.63
0.25 · 0.50 · 0.378
0.58
0.21 · 0.53 · 0.340
0.56
0.22 · 0.40 · 0.317
BGE-M3
0.73
0.39 · 0.66 · 0.505
0.69
0.28 · 0.62 · 0.414
0.78
0.53 · 0.72 · 0.624
0.75
0.38 · 0.69 · 0.504
0.68
0.32 · 0.58 · 0.420
0.66
0.36 · 0.58 · 0.470
KURE-v1
0.75
0.37 · 0.67 · 0.494
0.66
0.28 · 0.62 · 0.404
0.86
0.47 · 0.69 · 0.586
0.81
0.44 · 0.81 · 0.545
0.63
0.26 · 0.58 · 0.416
0.80
0.48 · 0.68 · 0.567
KURE-v2
0.72
0.43 · 0.62 · 0.525
0.34
0.21 · 0.28 · 0.257
0.94
0.58 · 0.86 · 0.701
0.94
0.50 · 0.75 · 0.629
0.68
0.42 · 0.58 · 0.514
0.76
0.48 · 0.74 · 0.597

묶음별 문항 수: 사연 29 · 상담 36 · 일상어 16 · 키워드 19

짝지은 검정 — McNemar

같은 문항을 두 모델이 풀었을 때, 한쪽만 맞힌 문항 수를 비교합니다(정확 이항 양측 검정). 점수가 바짝 붙은 문항은 기계·묶음에 따라 순위가 바뀔 수 있어, 두세 문항 차이는 모델 차이로 읽지 않고 이 검정을 같이 봅니다. 공개 문항 중 두 모델 모두 순위가 있는 문항만 씁니다.

숨긴 문항은 문항별 순위를 공개하지 않아 여기서 계산하지 않습니다. 숨긴 50문항은 McNemar 힘이 약해 판정 근거가 아니라 공개 점수와 크게 벌어지는지 보는 표시로만 씁니다.

KURE-v2 대@1 KURE-v2만 · 상대만 · p@5 KURE-v2만 · 상대만 · p@10 KURE-v2만 · 상대만 · p
BM2535 · 0 · p 5.8e-1133 · 0 · p 2.3e-1036 · 2 · p 5.4e-9
EmbeddingGemma 220 · 8 · p 0.03620 · 10 · p 0.09918 · 8 · p 0.076
EmbeddingGemma 2 GGUF20 · 8 · p 0.03618 · 10 · p 0.1819 · 8 · p 0.052
BGE-M316 · 12 · p 0.5711 · 15 · p 0.5614 · 15 · p 1
KURE-v115 · 9 · p 0.3113 · 18 · p 0.4711 · 14 · p 0.69

흐린 글씨는 p 가 0.05 이상인 칸입니다.

이 평가판은 어떻게 쟀나

1. 시험지를 만든 법

  • 법: 형법 · 형사소송법 · 특정범죄가중처벌등에관한법률 · 성폭력범죄의처벌등에관한특례법 · 도로교통법 · 교통사고처리특례법
  • 코퍼스: 위 법의 조문(법령 기준일 2026-10-16)과, 그 분야 판례 중 참조조문에 위 법이 나오는 것(요지·판시사항). 판례가 많으면 시드를 정해 4,000건까지만 넣었습니다.
  • 정답 문서: 코퍼스에서 시드로 공개 100 + 숨김 50 을 뽑았습니다. 조문 70 : 판례 30 비율입니다. 본문이 겹치는 문서, 50자 미만, ‘삭제’된 조문, 제목이 5번 이상 나오는 상투 조문은 정답 후보에서 뺐습니다.
  • 질문: 정답 문서마다 Claude 가 질문을 썼습니다. 질문 모양 4가지(상담·사연·키워드·일상어)를 미리 배정했고, 낱말 겹침 0.45 미만 검사를 통과한 것만 남겼습니다.

만든 기록: tools/law_suites.py (법령 기준일 2026-10-16 · 판례 상한 4000 · 시드 20261018)

2. 낱말 겹침

겹침 = 질문을 두 글자씩 자른 조각 가운데 정답 문서에도 나오는 조각의 비율입니다(조문은 법 이름·조 제목까지 문서로 봅니다). 0.45 이상이면 질문을 다시 썼습니다. 낱말이 많이 겹치면 낱말 검색만으로도 맞히기 쉬워져서입니다. 공개 문항 겹침: 평균 0.153 · 최대 0.444. 숨긴 문항의 겹침 값은 공개 자료에 없습니다.

다시 쓴 문항: 기록 없음

겹침 구간문항 수BM25 r@10EmbeddingGemma 2 r@10EmbeddingGemma 2 GGUF r@10BGE-M3 r@10KURE-v1 r@10KURE-v2 r@10
0.00 이상 0.10 미만370.000.320.300.410.510.41
0.10 이상 0.20 미만330.360.730.730.910.850.85
0.20 이상 0.30 미만180.890.890.890.940.940.94
0.30 이상 0.45 미만120.830.830.830.920.921.00

구간별 r@10 은 공개 문항의 순위로 이 페이지에서 계산한 값입니다.

3. 모델마다 넣은 형식

  • BM25
    k1=1.5 b=0.75

    낱말 기준선입니다. 한글·숫자·영문만 남기고 두 글자씩 잘라 BM25 식으로 점수를 매기고, 낱말 희소도(idf)는 그 평가판 코퍼스 하나로 셉니다.

  • EmbeddingGemma 2
    질문: "task: search result | query: {q}"
    문서: "title: {title} | text: {body}"

    원본 가중치입니다. 넣는 형식은 모델 카드 원문 그대로입니다. max_seq 는 카드 최대인 8192 — 2048 이면 법령검색의 긴 판례 28건이 잘립니다. dtype 은 transformers 5 기본값(auto)이 고르는 bf16 입니다.

  • EmbeddingGemma 2 GGUF
    질문: "task: search result | query: {q}"
    문서: "title: {title} | text: {body}"

    GGUF Q8_0 입니다. LM Studio 에 문맥 8192(-c 8192)로 올린 뒤 쟀습니다. 넣는 형식은 원본과 같습니다.

  • BGE-M3
    질문: "{q}"
    문서: "{title}\n{body}"
    문서(판례): "{body}"

    KURE-v1 의 바탕 모델입니다. KURE-v1 과 같은 설정·같은 라이브러리 버전으로 재서 한국어 미세조정이 보탠 몫을 봅니다. 모델 카드에 접두어가 없어 붙이지 않았습니다.

  • KURE-v1
    질문: "{q}"
    문서: "{title}\n{body}"
    문서(판례): "{body}"

    BGE-M3 를 미세조정한 모델로, 문서당 벡터가 하나입니다. KURE-v2 와 같은 입력 형식으로 넣었습니다 — 두 모델의 점수 차이가 방식(벡터 하나 대 토큰마다 벡터) 차이인지 보려고. max_seq 는 카드 설정 그대로입니다.

  • KURE-v2
    질문: "{q}"
    문서: "{title}\n{body}"
    문서(판례): "{body}"

    ColBERT 방식(토큰마다 벡터)입니다. 질의·문서 접두어 [Q]/[D] 와 질의 64토큰 확장은 pylate 가 카드 설정대로 붙입니다. 질의 상한이 64토큰이라 긴 질문(사연형)은 잘립니다. 판례는 본문만 넣습니다 — 법령검색 판례 본문이 사건명으로 시작해서 먼저 잰 기록과 같게 했습니다.

4. 런타임·양자화·버전

모델런타임 · id · revisiondtype · max_seq · 차원라이브러리 (requires → 실제)잰 시각
BM25
bm25
— · — · —
python 3.14.7 · numpy 2.5.4
2026-10-18 20:59:35
EmbeddingGemma 2
st
google/embeddinggemma-2
914f7f89142e33e77833254d9c9b90c3cef7303b
torch.bfloat16 · 8192 · 768
sentence-transformers==6.1.0 transformers==5.19.0 torch==2.14.1 torchvision==0.29.1 pillow
python 3.14.7 · numpy 2.5.4 · torch 2.14.1 · sentence_transformers 6.1.0 · transformers 5.19.0
2026-10-18 21:14:41
EmbeddingGemma 2 GGUF
lmstudio
text-embedding-embeddinggemma-2
ggml-org/embeddinggemma-2-GGUF Q8_0
— · — · 768
python 3.14.7 · numpy 2.5.4
2026-10-18 21:49:56
BGE-M3
st
BAAI/bge-m3
5617a9f61b028005a4858fdac845db406aefb181
torch.float32 · 8192 · 1024
sentence-transformers==6.1.0 transformers==5.19.0 torch==2.14.1
python 3.14.7 · numpy 2.5.4 · torch 2.14.1 · sentence_transformers 6.1.0 · transformers 5.19.0
2026-10-19 08:09:42
KURE-v1
st
nlpai-lab/KURE-v1
8b418a58414668e75532ed045c22d9ca018ae2b2
torch.float32 · 8192 · 1024
sentence-transformers==6.1.0 transformers==5.19.0 torch==2.14.1
python 3.14.7 · numpy 2.5.4 · torch 2.14.1 · sentence_transformers 6.1.0 · transformers 5.19.0
2026-10-18 23:37:34
KURE-v2
pylate
nlpai-lab/KURE-v2
3431f86d399d666083890dbb882aced6708873bc
— · — · —
pylate==1.6.0 transformers==5.3.0 torch==2.11.0
python 3.14.7 · numpy 2.5.4 · torch 2.11.0 · sentence_transformers 5.3.0 · transformers 5.3.0 · pylate 1.6.0
2026-10-18 21:34:20

dtype 은 실행 기록에 남은 실제 값이고, 없으면 모델 파일 값입니다. ‘—’ 는 그 모델에 해당 설정이 없거나 기록되지 않은 것입니다. 실행 기록의 기계는 모두 arm64(맥북)이고, GGUF 는 LM Studio 에서 돌렸습니다.

5. 점검과 의심

  • 문항을 쓰면서 따로 표시해 둔 의심 문항(같은 제목의 조문, 흔한 판례 쟁점, 다른 조문을 준용하는 한 줄짜리 조문)은 v1 고정 전 정오표 후보로 두고, 세 모델이 모두 10위 밖인 문항과 대조해 정했습니다. 결과는 아래 ‘틀렸던 것’에 있습니다.

6. 틀렸던 것 — 정오표

  • 제외: 없음
  • 정답 추가: 1문항 — 형045(1건). 같은 법리를 되풀이한 판례 여러 건, 또는 같은 내용이 법률·시행령·시행규칙에 나뉜 경우가 대부분입니다. 순위는 정답들 가운데 가장 높은 것을 씁니다.
  • 정답 교체: 없음
  • 중복 판례 정리: 같은 사건의 복사본 29건을 코퍼스에서 뺐습니다. 같은 판시 문장이라도 다른 사건이면 빼지 않았습니다.
  • 숨긴 문항: 0문항을 고쳤습니다(어느 문항인지는 공개하지 않습니다).

정오표를 본 것은 그때까지 잰 세 모델(BM25 · EmbeddingGemma 2 · KURE-v2)이 모두 10위 밖이던 문항뿐입니다. 10위 안에 든 문항에도 정답이 둘인 것이 섞여 있을 수 있어 recall@1 이 조금 낮게 나올 수 있습니다. 그래서 recall@10 을 주 지표로 둡니다.

7. 기계 상태

안 잼 — 색인 시간·지연·메모리는 법령검색-v1 에서만 쟀습니다.

8. 다시 재는 법

uv run bench.py run --model <이름> --suite 형사-v1
uv run bench.py compare kure2 gemma2
  • 코퍼스 해시: 349154108e71
  • 고정 시점 코퍼스 해시: 349154108e71
  • 고정 시점 공개 문항 해시: 96a6a2fac2df
  • 고정 시점 숨긴 문항 해시: 16d4e2efd4d7
  • 고정 시점 정오표 해시: 17d8494aa2ec

해시는 각 파일 sha256 의 앞 12자입니다. 모델 revision 은 4번 표에 있습니다.

공개 문항 100개

묶음
정답 종류

100개 · 숫자는 모델마다 정답 문서의 순위입니다(초록 = 10위 안, 진한 초록 = 1위) · 행을 누르면 정답 문서 id 가 열립니다

정답이나 잰 방법이 틀렸다고 보이면 알려 주세요

평가판 이름·문항 번호와 이유를 적어 varkiry05@gmail.com 로 보내 주세요.