대규모 언어 모델 (LLMs)은 점점 더 복잡한 전문 업무를 지원하고 있지만, 규칙 집약적인 문서 검토 (rule-intensive document review)에서의 능력은 여전히 충분히 평가되지 않은 상태입니다. 중국 GB/T 표준과 같은 국가 표준 문서는 대표적인 테스트베드를 제공합니다. 이러한 문서들은 분량이 길고, 고도로 구조화되어 있으며, 범위, 용어, 규범적 문구 및 섹션 간 일관성에 대한 명시적인 규칙을 따릅니다. 기존의 벤치마크 (benchmarks)는 도메인 지식과 질의응답에 집중되어 있어, 전문 문서에 대한 본질적인 품질 검토를 크게 간과하고 있습니다. 이러한 검토는 인간 전문가에게 크게 의존하므로 비용이 많이 들고 확장하기 어렵습니다. 이 격차를 해소하기 위해, 우리는 국가 표준 문서의 구조적 검토를 위한 최초의 벤치마크인 GB/T-Bench를 소개합니다. GB/T-Bench의 GB/T 검토 분류 체계 (GB/T Review Taxonomy)는 문서 구조, 범위 일치, 규범적 양태 (normative modality), 용어 일관성 및 규범적 참조를 다루는 계층적 스키마 (schema)로, 25가지의 진단 가능한 오류 유형을 포함합니다. 제어 가능한 반례 생성 메커니즘은 결정론적 규칙 (deterministic rules)과 제약 조건이 있는 LLM 재작성 (rewriting)을 결합하여 488개의 문서를 7,306개의 추적 가능한 검토 오류 사례로 처리합니다. 우리는 또한 오류 위치, 검토 차원, 오류 유형에 대한 정확한 일치를 요구하며, 문서 수준의 커버리지 지표를 포함하는 진단 중심의 평가 프로토콜을 개발했습니다. 나아가 우리는 검토 지식을 전문적인 기술로 변환하고 전역 검사, 타겟 진단, 규칙 스캐닝 및 결과 검증을 조정하는 멀티 에이전트 프레임워크 (multi-agent framework)인 GB/T-Reviewer를 제안합니다. 14개의 주요 LLM을 대상으로 한 실험 결과, 상당한 인간-LLM 격차가 드러났습니다. 가장 강력한 모델은 전문가의 0.6640 CMCS에 비해 0.3280 CMCS만을 달성했습니다. GB/T-Reviewer는 최고 CMCS를 0.5094로 높였으며, 이는 규칙 집약적인 문서 검토를 위한 구조화된 기술 조정의 가치를 보여줍니다. 본 연구는 표준화 및 기타 고위험 문서 도메인에서 신뢰할 수 있는 AI를 위한 길을 열어줍니다.