추론 과정에서 언제 검색해야 할까: 대규모 추론 모델을 위한 적응적 검색

연구진은 DeepSeek-R1, OpenAI o1과 같은 대규모 추론 모델의 RAG(Retrieval-Augmented Generation) 통합 문제를 해결하기 위해 ReaLM-Retrieve 프레임워크를 제안했어요.

ReaLM-Retrieve는 추론 단계별 불확실성 감지, 외부 증거 활용 시점 학습, 효율성 최적화된 통합 메커니즘을 통해 기존 RAG 방식의 한계를 극복해요.

MuSiQue, HotpotQA, 2WikiMultiHopQA 벤치마크에서 ReaLM-Retrieve는 기존 RAG 방식보다 평균 10.1%의 F1 점수 향상을 보였고, 검색 횟수는 47% 줄였어요.