[논문리뷰] Search More, Think Less: Rethinking Long-Horizon Agentic Search for Efficiency and Generalization

링크: 논문 PDF로 바로 열기

저자: OPPO AI Agent Team

핵심 연구 목표

이 논문은 기존 딥 리서치 에이전트의 높은 추론 비용과 지연 시간, 그리고 이질적인 연구 환경 전반에 걸친 낮은 일반화 성능이라는 두 가지 주요 문제를 해결하는 것을 목표로 합니다. 특히, 장기적인(long-horizon) 에이전트 검색 태스크에서 효율성과 일반화 능력을 동시에 향상시키고자 합니다.

핵심 방법론

제안된 Search More, Think Less (SMTL) 프레임워크는 순차적 추론을 병렬 증거 획득(parallel evidence acquisition) 및 동시 도구 실행(concurrent tool execution) 으로 대체합니다. 이를 위해, 계획 중심의 맥락 관리(plan-driven context management) 를 사용하여 제한된 컨텍스트 예산 내에서 효율적인 장기 추론을 가능하게 합니다. 또한, 결정론적 질문 응답과 개방형 연구 시나리오를 포괄하는 통합 데이터 합성 파이프라인(unified data synthesis pipeline) 을 도입하여 일반화를 지원하며, 지도 미세 조정(supervised fine-tuning) 과 강화 학습(reinforcement learning) 을 통해 종단 간 에이전트를 훈련합니다.

주요 결과

SMTL은 BrowseComp 에서 48.6% , GAIA 에서 75.7% , Xbench 에서 82.0% , 그리고 DeepResearch Bench 에서 45.9% 의 강력한 성능을 달성하며 여러 벤치마크에서 SOTA 또는 경쟁력 있는 성능을 보였습니다. 특히, 100번의 최대 상호작용 단계(interaction steps) 를 가진 SMTL은 Mirothinker-v1.0 대비 BrowseComp 에서 평균 추론 단계를 70.7% 감소시키면서 정확도를 향상시켰습니다.

AI 실무자를 위한 시사점

이 연구는 에이전트 기반 AI 시스템 설계에 있어 추론 깊이 확장 보다 병렬 증거 수집 및 데이터 다양성 확장 이 더 효율적임을 시사합니다. AI/ML 엔지니어는 고비용의 순차적 추론 대신 병렬 처리 및 도구 활용의 폭 을 넓히는 방식으로 장기적인 에이전트의 효율성과 일반화 능력을 개선할 수 있을 것입니다. 이는 특히 실시간 상호작용과 넓은 범위의 지식 탐색이 필요한 애플리케이션에 유용할 것으로 예상됩니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.