[논문리뷰] WideSeek-R1: Exploring Width Scaling for Broad Information Seeking via Multi-Agent Reinforcement Learning

링크: 논문 PDF로 바로 열기

저자: Zelai Xu, Zhexuan Xu, Ruize Zhang, Chunyang Zhu, Shi Yu, Weilin Liu, Quanlu Zhang, Wenbo Ding, Chao Yu, Yu Wang

핵심 연구 목표

본 논문은 LLM의 "깊이 스케일링"이 아닌 "폭 스케일링(width scaling)" 이라는 새로운 차원을 탐구하여 광범위한 정보 탐색 문제 해결을 목표로 합니다. 기존 다중 에이전트 시스템이 수작업 워크플로우와 순차적 상호작용으로 인해 효과적인 작업 병렬화를 달성하지 못하는 한계를 극복하고, 다중 에이전트 강화 학습(MARL) 을 통해 확장 가능한 오케스트레이션과 병렬 실행을 통합하는 방법론을 제시합니다.

핵심 방법론

저자들은 WIDESEEK-R1 이라는 계층적 리드 에이전트-서브 에이전트 프레임워크 를 제안하며, 이는 Qwen3-4B 공유 LLM을 기반으로 합니다. 리드 에이전트 는 call_subagent 도구를 사용하여 복잡한 태스크를 병렬 가능한 하위 태스크로 분해 및 오케스트레이션 합니다. 각 서브 에이전트 는 검색 및 접근 도구를 활용하여 할당된 하위 태스크를 병렬로 실행 합니다. 시스템은 20k 개의 광범위한 정보 탐색 태스크 데이터셋 에서 MARL 을 통해 리드 에이전트와 서브 에이전트를 공동으로 최적화합니다.

주요 결과

WIDESEEK-R1-4B 는 WideSearch 벤치마크에서 40.0%의 아이템 F1 점수 를 달성했으며, 이는 단일 에이전트 DeepSeek-R1-671B 와 비견되는 성능입니다. 이는 DeepSeek-R1-671B보다 약 170배 적은 파라미터 를 사용했음에도 불구하고 달성된 결과입니다. 특히, 병렬 서브 에이전트 수가 증가함에 따라 지속적인 성능 향상을 보이며 폭 스케일링의 효과를 입증한 반면, 깊이 스케일링은 빠르게 포화되었습니다.

AI 실무자를 위한 시사점

이 연구는 LLM 기반 시스템 설계에서 "폭 스케일링"의 중요한 가능성 을 제시하며, 조직 역량을 통한 성능 향상 의 새로운 방향을 제시합니다. 작은 모델(4B) 로도 대규모 모델(671B) 에 필적하는 성능을 달성하여, 제한된 컴퓨팅 자원 으로도 고성능 AI를 개발할 수 있는 실용적인 길을 열었습니다. 또한, MARL 기반의 학습 가능한 오케스트레이션 이 복잡하고 광범위한 정보 탐색 문제에 효과적임을 보여주어, 실제 AI 시스템 설계에 있어 다중 에이전트 협업의 중요성을 강조합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.