RAG용 멀티에이전트 문서 평가의 비용 문제를 다루며, 7B~9B 소형 모델에서 평가 메커니즘이 작동하는 방식의 뚜렷한 이분법을 밝힌 연구다. 약한 베이스라인 모델에서는 문서별 격리(isolation)가 지배적 메커니즘으로, 점수 평가 없이 격리만 해도 전체 멀티에이전트 평가와 동등한 성능을 내며 최대 50%p의 이득이 다중 문서 맥락 혼란 해소에서 나옴을 보였다. 반면 점수 품질이 중요한 강한 모델에는 라벨 없는 교란 프로브인 Reasoning-Score Coupling으로 점수 산출 행동을 분류한다. 이를 통합한 모델 적응형 라우팅 아키텍처 MADARA는 단일 파일럿 모델에서 도출한 진단 임계값이 4개의 미지 모델 계열에 제로샷 일반화돼, 계산 오버헤드를 제거하는 경량 파이프라인을 제공한다.

• •7B~9B 모델의 RAG 문서 평가 메커니즘을 통제 실험으로 분석, 학습 없는 개입만 사용
• •약한 모델은 평가 없는 문서별 격리만으로 완전한 멀티에이전트 평가와 동등 — 최대 50%p 이득의 원천은 맥락 혼란 해소
• •강한 모델용으로 라벨 없는 교란 프로브 Reasoning-Score Coupling 도입
• •모델 적응형 라우팅 아키텍처 MADARA 제안 — 파일럿 모델 임계값이 4개 미지 모델 계열에 제로샷 일반화
• •코드 공개, 다양한 QA 벤치마크에서 검증