에이전트 검색의 너비(병렬 롤아웃) 확장이 수확 체감하는 원인을 첫 턴의 질의 중복으로 규명하고, 학습이 불필요한 개입 DivInit를 제안했다. 모델이 롤아웃마다 비슷한 첫 질의를 내면 겹치는 증거를 검색하고 이후 턴도 그 공유 검색에 종속된다. DivInit는 k개 독립 질의를 뽑는 대신 한 번의 호출에서 n개 후보를 뽑아 다양한 k(<n)개 시드를 골라 병렬 궤적으로 실행한다. 5개 오픈웨이트 모델·8개 벤치마크에서 표준 병렬 샘플링을 일관되게 능가했고, 동일 연산량에서 멀티홉 QA 평균 5~7점 향상을 보였다.
- •에이전트 검색의 너비 확장 수확 체감 원인을 첫 턴 질의 중복으로 규명
- •학습 불필요한 개입 DivInit 제안: 한 호출로 n개 후보 생성 후 다양한 k개 시드 선택·병렬 실행
- •5개 오픈웨이트 모델·8개 벤치마크에서 표준 병렬 샘플링 일관 능가
- •동일 연산량 기준 멀티홉 QA에서 평균 5~7점 향상
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Beyond Parallel Sampling: Diverse Query Initialization for Agentic Search
- 1.에이전트 검색의 폭 확장 한계를 첫 턴 질의 중복으로 진단
- 2.학습 불필요 개입 'DivInit'로 단일 호출서 n개 후보 추출 후 다양한 k개 시드 선택·병렬 실행
- 3.5개 오픈웨이트 모델·8개 벤치마크서 표준 병렬 샘플링을 일관되게 개선
- 4.동일 연산량 멀티홉 QA서 평균 5~7점 향상
왜 중요한가?
병렬 롤아웃을 늘려도 유사한 첫 질의가 겹치는 증거를 검색해 수익이 체감하던 문제를, 첫 턴 질의 다양화만으로 추가 비용 없이 해결했다.
언급 프로젝트
에이전트 기반 AI의 성능 향상은 국내 AI 연구 및 서비스 개발의 핵심 과제 중 하나입니다. 이 연구는 기존 병렬 샘플링의 한계를 넘어 더욱 다양하고 효율적인 쿼리 초기화 방식을 제안하며, 국내 AI 개발자들이 보다 창의적이고 심층적인 에이전트 기반 검색 시스템을 구축하는 데 중요한 기술적 토대를 제공할 것입니다.
본문 미리보기
arXiv:2606.17209v1 Announce Type: new Abstract: Test-time scaling for agentic search typically increases depth (i.e., more turns and tokens per trajectory) or breadth (i.e., more parallel rollouts). Here we focus on breadth scaling, showing that standard parallel sampling yields diminishing returns, tracing this to query redundancy at the first turn. When models issue similar first queries across rollouts, the threads retrieve overlapping evidence, and subsequent turns are conditioned on this s
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 15:11AI 초안
