[논문리뷰] REDSearcher: A Scalable and Cost-Efficient Framework for Long-Horizon Search Agents

링크: 논문 PDF로 바로 열기

저자: Zheng Chu, Xiao Wang, Jack Hong

핵심 연구 목표

본 논문은 대규모 언어 모델(LLM)이 긴 탐색 경로와 많은 상호작용이 필요한 심층 검색 태스크를 수행할 때 겪는 어려움, 특히 고품질 훈련 데이터 부족과 높은 상호작용 비용 문제를 해결하는 것을 목표로 합니다. 텍스트 전용 및 멀티모달 환경 모두에서 장기적인 검색 에이전트 의 확장 가능하고 비용 효율적인 최적화를 위한 통합 프레임워크 REDSearcher 를 제안합니다.

핵심 방법론

REDSearcher 는 듀얼 제약 작업 합성 을 통해 그래프 토폴로지(treewidth)와 증거 분산(MSD)을 정밀하게 제어하여 복잡하고 고품질의 태스크를 생성합니다. 비용 효율적인 중간 훈련 단계에서는 지식 기반 그라운딩과 계층적 계획 같은 원자적 역량을 강화하고, 시뮬레이션 환경에서 툴 사용 및 장기 상호작용 능력을 개발합니다. 마지막으로, 기능적으로 동등한 시뮬레이션 환경 을 활용하여 빠른 알고리즘 반복을 가능하게 하며, GRPO 기반 에이전트 강화 학습(RLVR) 으로 최종 성능을 최적화합니다.

주요 결과

REDSearcher 는 30B 파라미터 클래스 오픈소스 에이전트 중 새로운 최고 성능을 달성했으며, 컨텍스트 관리 기법 통합 시 전체 평균 51.3점 을 기록하여 Tongyi DeepResearch-30B(48.5점) 및 WebSailorV2-30B(46.0점) 를 능가했습니다. 특히 GAIA 벤치마크 에서 80.1점 으로 GPT-5-Thinking-high(76.7점) 를 앞섰습니다. 또한, 멀티모달 REDSearcher-MM-RL 은 BrowseComp-VL에서 57.2% , MMSearch에서 72.9% 를 달성하며 독점 모델과 경쟁하는 수준을 보였습니다.

AI 실무자를 위한 시사점

본 프레임워크는 LLM 기반 에이전트의 심층 검색 및 장기 계획 능력을 실제 환경에서 확장할 수 있는 실용적인 방법론을 제시합니다. 듀얼 제약 작업 합성 과 시뮬레이션 환경 을 활용한 비용 효율적인 훈련 은 고품질 데이터 확보의 어려움을 극복하고, 대규모 에이전트 훈련의 장벽을 낮출 수 있는 효과적인 전략을 제공합니다. 이는 복잡한 실세계 문제를 해결하는 프로액티브한 에이전트 개발에 중요한 기반 기술이 될 것입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.