[논문리뷰] K-BrowseComp: A Web Browsing Agent Benchmark Grounded in Korean Contexts

링크: 논문 PDF로 바로 열기

메타데이터

저자: Nahyun Lee, Dongkeun Yoon, Guijin Son, Geewook Kim, Dayoon Ko, Jeonghun Park, Haneul Yoo, Jaewon Cho, Junghun Park, Changyoon Lee, Kyochul Jang, Jaeyeon Kim, Eunsu Kim, Woojin Cho, Seungone Kim

---

## 1. Key Terms & Definitions (핵심 용어 및 정의)

• K-BrowseComp: 한국어 맥락(Korean contexts)에 특화된 400개의 웹 브라우징 에이전트 성능 평가용 벤치마크 데이터셋입니다.
• K-BrowseComp-Verified: 300개의 사람이 직접 작성하고 검증한 고난도 질문들로 구성된 핵심 평가 서브셋입니다.
• Parallel-branching: 질문 해결을 위해 여러 개의 독립적인 웹 사이트로부터 제약 조건을 수집하고 교차 분석해야 하는 reasoning 포맷입니다.
• Failure-mode Taxonomy: 에이전트의 브라우징 실패 원인을 9가지(F0-F8)로 분류한 체계로, 성능 분석 및 데이터 생성에 활용됩니다.
• Search_evals: 다양한 AI 에이전트의 웹 서칭 성능을 측정하기 위해 사용된 표준화된 평가 프레임워크입니다.

## 2. Motivation & Problem Statement (연구 배경 및 문제 정의) 본 논문은 최신 Frontier 모델들이 Agentic Capability 평가로 패러다임을 전환하고 있음에도 불구하고, 한국어 환경에 특화된 브라우징 에이전트 벤치마크가 부재하다는 문제 의식에서 출발합니다. 기존 글로벌 벤치마크는 영미권 중심의 데이터와 웹 검색 관습을 기반으로 하여, 한국의 문화적, 지리적 지식 및 특정 웹 구조를 처리해야 하는 에이전트의 역량을 측정하는 데 한계가 있습니다. 특히 한국어 웹 에이전트는 검색된 정보 간의 복잡한 논리적 연결이나 한국 웹사이트 특유의 반정형화된 데이터 파싱에서 큰 성능 저하를 보입니다. 저자들은 이러한 격차를 해소하고 한국형 에이전트 개발을 위한 진단 도구를 제공하고자 본 벤치마크를 제안합니다 [Figure 1].

Figure 1 — 모델별 정확도 및 보정 오차

## 3. Method & Key Results (제안 방법론 및 핵심 결과) 본 연구는 300개의 K-BrowseComp-Verified 문제와 100개의 인공지능 기반 Synthetic Diagnostic Split으로 구성된 평가 체계를 제안합니다. 데이터 구축 과정에서는 웹 브라우징 질문의 정보 비대칭성(문제 해결은 어렵지만 정답 확인은 쉬움)을 활용하여, 에이전트가 특정 Failure-mode를 타겟팅하도록 유도하는 역방향 생성 파이프라인을 도입하였습니다 [Table 1]. 성능 평가 결과, GPT-5.5가 45.67%로 가장 우수한 성적을 거두었으나, K-EXAONE-236B-A23B를 포함한 국내 주요 모델들은 0.00%~10.33%의 저조한 Pass@1 Acc.를 기록하며 큰 성능 차이를 보였습니다 [Table 2]. 특히 Synthetic split에서는 가장 성능이 좋은 모델조차 26.00% 이하의 정확도를 기록하여, 복합적인 Trajectory-level failure 상황에서 모델들의 한계가 극명하게 드러남을 확인했습니다. 주요 실패 유형으로는 후보군을 조기에 확정해버리는 Candidate Capture(F5) 및 여러 출처 간의 정보를 통합하지 못하는 Cross-source hopping failure(F3) 등이 관찰되었습니다 [Figure 4].

Figure 4 — 대표적인 에이전트 실패 유형

## 4. Conclusion & Impact (결론 및 시사점) 본 논문은 한국어 환경에 최적화된 브라우징 에이전트 벤치마크인 K-BrowseComp를 통해 한국 AI 생태계의 브라우징 에이전트 성능을 객관적으로 측정할 수 있는 기준을 마련했습니다. 연구 결과는 범용 모델과 한국어 특화 모델 간의 성능 격차뿐만 아니라, 에이전트가 복잡한 추론 과정에서 겪는 구조적인 실패 패턴을 구체적으로 식별했습니다. 이 벤치마크는 향후 한국형 Sovereign AI를 위한 에이전트 학습 및 고도화 연구에 핵심적인 진단 도구로 활용될 것으로 기대됩니다.

Figure 3 — 데이터셋 카테고리 분포

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.