웹 하이퍼링크 구조 기반 검색 에이전트 Iris-mini/Iris-pro 학습 레시피 공개

이 논문은 웹 코퍼리스의 하이퍼링크 구조에서 엔티티 그래프를 추출해 멀티홉 추론 체인을 구성하고, 정답이 아닌 모든 엔티티를 서술적 표현으로 바꿔 단순 문자열 매칭으로 답을 찾을 수 없게 만든 데이터 생성 방식을 제안한다. 이렇게 만든 질문은 참조 모델이 사전 지식만으로는 풀지 못하지만 근거 문서를 찾으면 풀 수 있는 것만 선별해 학습에 사용했다.

검색 에이전트 학습에서 데이터의 난이도와 신뢰성을 확보하는 것은 오랜 과제였다. 특히 문자열 매칭으로 우연히 정답을 맞히는 '쇼트컷' 문제를 방지하려는 시도는 최근 검색·RAG 계열 연구에서 중요하게 다뤄지는 주제다.

정보 검색이나 리서치 자동화 도구를 다루는 실무자에게는 검색 에이전트의 학습 데이터를 어떻게 설계해야 실제 추론 능력을 검증할 수 있는지에 대한 참고 사례가 된다. 두 가지 모델 크기(35B-A3B, 397B-A17B)를 함께 공개한 것은 경량·고성능 버전을 상황에 맞게 선택할 수 있는 여지를 시사하나, 실제 성능 비교는 발췌에서 확인되지 않는다.

두 모델의 실제 벤치마크 성능과 학습 비용, 오픈소스 공개 여부를 추가로 확인할 필요가 있다.

본문은 수집한 기사의 제목과 발췌를 바탕으로 AI가 정리한 해설입니다. 원문 전체를 옮긴 것이 아니므로 수치·날짜·조문 등 세부 사실은 위 원문 링크에서 확인하세요. 개별 사안에 대한 법률·세무·노무·회계·의료 자문을 대체하지 않습니다.