시드니공대 연구진, 3개 에이전트 RAG 프레임워크 TRIO 제안

시드니공대 연구진이 11월 2일 발표된 논문에서 검색 증강 생성(RAG)을 위한 프레임워크 TRIO를 제안했습니다. TRIO는 세 전문 에이전트가 반복적으로 결과를 다듬으며 협력하고, 질의 확장과 검색 근거 판단, 답변 작성에 각각 별도의 최적화 목표를 둡니다. 연구진은 기존 RAG 시스템이 불충분한 정보를 검색해 환각을 일으킬 수 있다고 설명했습니다.

질의 확장 에이전트는 모호한 질문을 명확히 하고, 확장된 질의가 답변 품질을 높였는지에 따라 보상을 받습니다. 판정 에이전트는 확장 질의가 불충분한지 충분한지 만장일치 투표로 분류하고, 그 결과를 최적화의 정답 기준으로 삼습니다. 답변 에이전트는 근거 활용과 답변 정확도를 높이도록 동적 매칭 기반 보상과 커리큘럼 학습으로 최적화됩니다.

연구진은 TRIO가 5개 질의응답 벤치마크에서 평균 Exact Match가 가장 높았고, Search-R1을 포함한 강력한 RAG 기준 모델보다 앞섰다고 보고했습니다. Hugging Face의 요약에 따르면 미학습 PubMedQA에서 정확도 76.6%를 기록했으며, 4B 및 8B 소형 모델에서도 성능이 높았습니다. 논문은 여러 벤치마크 데이터셋 실험으로 최신 수준의 접근법과 비교해 방법을 검증했다고 밝혔고, 코드는 GitHub에서 공개했습니다. 기사에는 이 수치와 비교 외에 세부 벤치마크 결과가 제시되지 않았습니다.

시드니공대 연구진이 11월 2일 발표된 논문에서 검색 증강 생성(RAG)을 위한 프레임워크 TRIO를 제안했습니다. TRIO는 세 전문 에이전트가 반복적으로 결과를 다듬으며 협력하고, 질의 확장과 검색 근거 판단, 답변 작성에 각각 별도의 최적화 목표를 둡니다. 연구진은 기존 RAG 시스템이 불충분한 정보를 검색해 환각을 일으킬 수 있다고 설명했습니다.

질의 확장 에이전트는 모호한 질문을 명확히 하고, 확장된 질의가 답변 품질을 높였는지에 따라 보상을 받습니다. 판정 에이전트는 확장 질의가 불충분한지 충분한지 만장일치 투표로 분류하고, 그 결과를 최적화의 정답 기준으로 삼습니다. 답변 에이전트는 근거 활용과 답변 정확도를 높이도록 동적 매칭 기반 보상과 커리큘럼 학습으로 최적화됩니다.

연구진은 TRIO가 5개 질의응답 벤치마크에서 평균 Exact Match가 가장 높았고, Search-R1을 포함한 강력한 RAG 기준 모델보다 앞섰다고 보고했습니다. Hugging Face의 요약에 따르면 미학습 PubMedQA에서 정확도 76.6%를 기록했으며, 4B 및 8B 소형 모델에서도 성능이 높았습니다. 논문은 여러 벤치마크 데이터셋 실험으로 최신 수준의 접근법과 비교해 방법을 검증했다고 밝혔고, 코드는 GitHub에서 공개했습니다. 기사에는 이 수치와 비교 외에 세부 벤치마크 결과가 제시되지 않았습니다.