[논문리뷰] Nested Browser-Use Learning for Agentic Information Seeking

링크: 논문 PDF로 바로 열기

저자: Baixuan Li, Jialong Wu, Wenbiao Yin, Kuan Li, Zhongwang Zhang, Huifeng Yin, Zhengwei Tao, Liwen Zhang, Pengjun Xie, Jingren Zhou, Yong Jiang

핵심 연구 목표

정보 탐색(IS) 에이전트의 현재 브라우저 도구 사용이 API 수준의 스니펫 검색 및 URL 기반 페이지 가져오기에 국한되어 실제 브라우징을 통한 풍부한 정보 접근이 제한되는 문제를 해결하고자 합니다. 이는 복잡한 브라우저 상호작용과 방대한 페이지 콘텐츠로 인해 ReAct 스타일 에이전트 에게 상당한 복잡성을 야기하기 때문에, 상호작용 제어와 페이지 탐색을 분리하는 중첩 구조의 최소-완전 브라우저 액션 프레임워크를 제안하여 효과적인 딥 웹 정보 습득 을 가능하게 하는 것을 목표로 합니다.

핵심 방법론

본 연구는 Nested Browser-Use Learning (NestBrowse) 을 제안하며, 세 가지 핵심 구성 요소로 이루어져 있습니다. 첫째, search, visit, click, fill 의 네 가지 코어 액션을 포함하는 최소한의 기능적 완전한 브라우저 툴킷을 설계하여 포괄적인 웹 정보 접근을 가능하게 합니다. 둘째, 브라우저 상호작용을 도구 통합 추론을 위한 외부 루프 와 페이지 내 탐색을 위한 내부 루프 로 분리하는 중첩 프레임워크를 도입하여, 목표 관련 콘텐츠만 추출하고 에이전트 컨텍스트의 효율성을 높입니다. 셋째, 외부 루프 추론과 내부 루프 증거 추출을 공동으로 훈련하는 다중 작업 모방 학습 패러다임 을 개발하여 이 중첩된 브라우저 사용 기능을 단일 IS 에이전트 모델에 통합합니다.

주요 결과

NestBrowse는 BrowseComp, GAIA, BrowseComp-zh, XBench-DeepSearch 등 도전적인 딥 IS 벤치마크에서 강력한 성능을 일관되게 보여주었습니다. 특히, NestBrowse-30B-A3B 모델은 BrowseComp에서 31.6% , GAIA에서 75.7% 의 성능을 달성하여 주요 오픈소스 IS 에이전트를 능가하고 여러 독점 시스템과도 경쟁력을 보였습니다. 주목할 점은 NestBrowse-4B 의 경우 BrowseComp에서 22.4% , GAIA에서 68.9% 를 기록하며 많은 대규모 IS 에이전트보다 우수한 경쟁력을 보여주었다는 것입니다. 또한, 툴킷 단순화와 목표 관련 콘텐츠 추출이 독립적으로 성능을 향상시키며, 두 가지를 결합했을 때 73.8% (GAIA) 로 가장 강력한 성능을 나타냈습니다.

AI 실무자를 위한 시사점

본 프레임워크는 LLM 에이전트가 단순한 API 호출을 넘어 실제 브라우징, 클릭, 양식 채우기 와 같은 복잡한 딥 웹 상호작용을 효과적으로 수행하도록 돕습니다. 중첩된 구조 와 목표 중심 콘텐츠 추출 은 방대하고 중복되는 웹 페이지 정보를 효율적으로 관리하여 LLM의 컨텍스트 효율성과 추론 집중도를 크게 향상시킵니다. 특히 소규모 모델(NestBrowse-4B) 의 성공은 복잡한 IS 작업에서 모델 규모보다 원칙적인 도구 추상화 및 상호작용 전략 이 더 중요하다는 점을 시사합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.