AI 요약 · 영어에서 AI 번역
Masking Stale Observations Helps Search Agents -- Until It Doesn't: A Regime Map and Its Mechanism
Haoxiang Zhang, Qixin Xu, Zhuofeng Li, Lei Zhang, Pengcheng Jiang, Yu Zhang, Julian McAuley
TL;DR
누적된 컨텍스트를 관리하는 검색 에이전트에서 오래된 관측을 마스킹하는 것이 언제 유익한지는 여전히 불분명하다. 이 논문은 최소한의 관측 마스킹을 진단 도구로 활용해, 검색 성능이 낮으면 이득이 정체되고 최적 구간에서는 정점에 이르며 모델이 포화되면 급락함을 밝힌다.
문제
에이전트가 누적된 컨텍스트를 관리할 때 관측 마스킹이 에이전트 기반 검색에 언제 유익한지는 여전히 불분명하다.
출처: §1 · p. 2방법
이 연구는 최소한의 관측 마스킹을 진단 도구로 활용해 오래된 관측이 에이전트 성능에 언제 영향을 미치는지 조사한다.
출처: §2.2 · p. 4결과
마스킹의 성능 이득은 비단조적 양상을 보인다. 검색기 병목 구간에서는 정체되고, 최적 구간에서는 +11.7 pts에 이르며, 모델 포화 구간에서는 급락한다. 이 급락은 실시간 웹 벤치마크에서도 반복된다.
출처: §1 · p. 2시사점과 한계
컨텍스트 관리는 기본적으로 적용하기보다 검색기 재현율과 모델 용량을 함께 고려해 조정해야 한다.
출처: §7 · p. 10이 구간별 분석 틀은 예측보다는 기술에 초점을 둔다.
출처: LIMITATIONS · p. 11
Abstract
from arXiv · showhide
Long-horizon search agents accumulate large amounts of retrieved content across many tool calls, making context-budget efficiency increasingly important. A minimal intervention is to mask stale observations from the context as the trajectory progresses, but it remains unclear when this form of context management helps and why. We study observation masking through a systematic sweep over various agent backbones (4B to 284B parameters) and three retrievers on offline and live-web agentic search benchmarks. We find that the accuracy gain from masking follows an asymmetric inverted-U shape when plotted against the model's accuracy without context management: a plateau under weak retrievers, a peak when a strong retriever meets a mid-capacity model, and a sharp collapse when the model is saturated. This pattern reflects the interaction between retriever recall and the model's implicit filtering capacity, rather than either factor in isolation. Mechanistically, masking implements a token-for-turn trade-off: it removes observations the model has largely stopped attending to and pages the agent rarely re-opens. The added turns help when they convert failures into successes, but they fail when masking removes evidence the model would otherwise have used. We therefore reframe context management as a regime-dependent intervention and provide a holistic perspective for analyzing context use in agentic deep search. We release our scaffold and trajectories here (https://github.com/i-DeepSearch/observation-masking) to support future research.
1 서론
오래된 관측을 마스킹했을 때의 이득은 조건에 따라 달라지며, 성능이 중간 수준일 때 정점에 이르고 모델이 포화되면 급락한다. 어텐션과 페이지 열기 양상이 이를 설명하며, 검색 품질은 고성능 에이전트의 제약 요인이다.
1 서론
- 이 연구는 검색 궤적이 길어지고 백본의 역량이 높아지는 상황에서 컨텍스트 관리가 언제 도움이 되는지에 대한 체계적 설명의 공백을 다룬다.궤적은 수만 토큰에 이를 수 있으며, 대부분은 관측이 차지한다. 역량이 높은 모델은 이미 오래된 내용을 무시할 수 있어, 일부 조건에서는 컨텍스트 관리가 불필요할 수 있다.출처: §1 · p. 2
- 스캐폴드, 마스킹 규칙, 프롬프트, 평가 절차를 고정한 채 4B–284B 규모의 매개변수를 가진 백본과 희소 검색기부터 특화된 밀집 검색기까지를 오프라인 및 실시간 웹 검색에서 평가한다.통일된 병렬 도구 호출 스캐폴드는 컨텍스트 관리의 이득을 측정하기 위한 경쟁력 있는 기준선을 제공한다.출처: §1 · p. 2
- 오프라인 컨텍스트 관리(CM)의 이득은 검색기 병목 구간, 최적 구간, 모델 포화 구간에서 각각 +6–7 pts, +11.7 pts, ≤0 pts다.이득은 기준 성능에 따라 비단조적으로 변하며, 모델 포화 구간에서의 급락은 실시간 웹 환경에서도 나타난다.출처: §1 · p. 2
- 최근 턴에서 멀어질수록 관측에 대한 어텐션은 급감하는 반면, 추론에 대한 어텐션과 페이지 열기 행동은 궤적의 중간을 소홀히 하는 U자형 양상을 보인다.관측에 대한 어텐션은 추론에 대한 어텐션보다 현저히 낮다. 마스킹은 소홀히 다뤄지는 중간 내용을 제거하지만, 고성능 모델이 이러한 제약을 넘어서면 오히려 역효과를 낼 수 있다.출처: §1 · p. 2
- 회귀 기반 진단은 컨텍스트의 신호 대 잡음비 최적화가 고성능 에이전트의 병목임을 밝혀, 공격적인 마스킹보다 고품질 검색이 유리함을 시사한다.더 나은 검색기는 활용 가능한 신호의 상한을 높이는 반면, 마스킹은 모델이 포화될 때 핵심 증거를 제거할 위험이 있다.출처: §1 · p. 2
- 관측 마스킹은 추론과 도구 호출을 유지하면서 오래된 도구 출력을 자리표시자로 대체하며, 마스킹된 페이지도 다시 열 수 있다.가장 최근 K개의 관측은 계속 보인다. 성능은 증거가 여전히 필요한지, 이미 진행 중인 추론에 반영되었는지, 다시 검색할 수 있는지에 따라 달라진다.출처: §1 · p. 2, Figure 2 · p. 3
2 방법론
관측 마스킹은 도구 호출 구조와 오류를 보존하면서 오래된 관측 내용을 대체해, 해당 내용이 언제 중요한지 최소한의 개입으로 진단한다. 영속적 페이지 풀은 관측이 마스킹된 뒤에도 이전 페이지에 접근할 수 있게 한다.
2.1 기본 개념
- 에이전트는 병렬 도구 호출과 최종 답변 행동을 포함하는 추론–행동–관측 궤적을 생성한다. 정책은 렌더링된 궤적을 조건으로 매번 다음 단계를 결정한다.컨텍스트는 턴 수에 따라 선형으로 증가하며, 관측 토큰이 대부분을 차지한다.출처: §2.1 · p. 3
2.2 관측 마스킹
- 오래되었다는 것은 보존 구간을 벗어났다는 뜻이지 무관함이 입증되었다는 뜻은 아니다. 에이전트가 계획을 바꾸면 이전 관측이 다시 유용해질 수 있다.이 휴리스틱은 관측이 주로 바로 다음 추론과 행동 단계에 정보를 제공하며, 다시 읽히는 경우는 드물다고 가정한다. 이 가정은 실험으로 검증한다.출처: §2.2 · p. 3
- 관측 마스킹은 도구 호출 구조를 유지하면서 오래된 관측 내용을 고정된 대체 문구로 바꾸되, 도구 호출 오류는 마스킹에서 제외한다.보존 구간 K는 가장 최근의 관측을 유지한다. 오류 관측은 상황에 맞게 디버깅할 수 있도록 남겨 둔다. 대체 문구에는 호출한 도구와 그 인수가 보존된다.출처: §2.2 · p. 4
- 마스킹은 더 정교한 컨텍스트 관리 기법과 경쟁하기보다는 토큰이나 모델 호출을 추가하지 않는 진단 도구로 쓰인다.목적은 오래된 관측 내용이 언제 에이전트 성능에 중요한지 분리해 살펴보는 데 있다.출처: §2.2 · p. 4
2.3 실행 프레임워크
- 영속적 페이지 풀은 마스킹된 컨텍스트와 독립적으로 이전 페이지를 보존하며, search, open, find는 탐색, 읽기, 위치 찾기를 각각 분리한다.추가만 가능한 이 풀은 중복 URL을 제거하고 고정된 커서를 부여해, 검색을 반복하지 않고도 이전 페이지를 참조할 수 있게 한다.출처: §2.3 · p. 4
3 실험 설정
평가는 네 가지 검색 벤치마크, 오프라인 및 실시간 웹 검색, 4B에서 284B 규모의 가중치 공개형 에이전트를 포괄한다. 컨텍스트 관리를 적용하지 않은 더 강력한 스캐폴드를 기준으로 마스킹의 기여를 보수적으로 측정한다.
3.1 벤치마크
- 네 가지 에이전트형 검색 벤치마크는 여러 언어에 걸쳐 고정 코퍼스와 실시간 웹 검색을 포괄한다.오프라인 평가에는 BrowseComp-Plus (Chen et al., 2025c)를 사용한다. 실시간 웹 벤치마크는 GAIA (Mialon et al., 2024), xBench-DeepSearch (Chen et al., 2025a), BrowseComp-ZH (Zhou et al., 2025)다.출처: §3.1 · p. 5
3.2 베이스라인
- 평가한 가중치 공개형 도구 호출 에이전트의 파라미터 규모는 4B에서 284B이며, GPT-OSS를 제외한 모든 에이전트가 병렬 도구 호출을 지원한다.기반 모델은 Qwen (QwenTeam, 2026a;b), GPT-OSS (Agarwal et al., 2025), OpenResearcher (Li et al., 2026a), DeepSeek-V4-Flash-Max, Tongyi-DeepResearch (Team et al., 2025b)다. 실험에서는 500턴 제한과 관측값 유지 윈도 K = 5를 적용하고, GPT-5-mini를 LLM 평가자로 사용한다.출처: §3.2 · p. 5
- 세 가지 오프라인 검색기는 희소 검색, 중간 수준의 밀집 임베딩, 추론에 맞춰 튜닝한 에이전트형 검색을 포괄하며, 실시간 웹 벤치마크에는 온라인 검색기를 사용한다.BrowseComp-Plus에는 각각 BM25, Qwen3(-Emb)-8B (Zhang et al., 2025b), AgentIR-4B (Chen et al., 2026)를 사용한다. 실시간 웹 벤치마크에는 Serper API (Serper API, 2026)를 사용한다.출처: §3.2 · p. 5
3.3 스캐폴드 신뢰성
- 공개 보고된 동일 조건의 BrowseComp-Plus 베이스라인 대비 No-CM 정확도 향상 폭은 +11.2점(GPT-OSS-20B), +12.4점(GPT-OSS-120B), +12.6점(Tongyi-DeepResearch-30B-A3B)이다.더 약한 스캐폴드에서는 잡음이 섞인 컨텍스트를 제거하는 것만으로도 스캐폴드의 결함이 보완되어 컨텍스트 관리의 효과가 부풀려질 수 있다. 더 강력한 베이스라인은 마스킹의 기여를 보수적으로 측정한다.출처: Figure 3 · p. 5, §3.3 · p. 5
4 주요 결과
관측 마스킹은 강력한 검색이 제공한 근거를 중간 수준 정확도의 모델이 걸러내지 못할 때 가장 효과적이다. 검색 성능이 약하면 이득이 정체되고, 모델이 포화 상태에 이르면 급락한다. 이 구간들은 매개변수 수만이 아니라 검색, 모델의 필터링 능력, 과제에 따라 결정된다.
세 가지 구간
- BM25에서는 백본 전반에서 마스킹 이득이 +6.2에서 +6.6포인트의 낮은 수준에 머무르며, 재현율은 0.55를 넘지 않는다.컨텍스트에 들어오는 정답 근거가 너무 적어 마스킹 효과가 제한된다. 정확도의 상한을 정하는 요인은 모델 용량이 아니라 검색이다.출처: §4 · p. 5
- BrowseComp-Plus에서 최대 마스킹 이득은 +11.7점으로, 검색기 제약 구간과 모델 포화 구간 사이의 Qwen3.5-35B-A3B+AgentIR 조합에서 달성된다.이 조합은 검색기 재현율이 0.88이고 No-CM 정확도가 중간 수준인 62.9%다. 정답 근거는 확보되지만 모델이 주변 잡음을 걸러내지 못한다.출처: §4 · pp. 5–6, Table 1 · p. 6
- Tongyi-DeepResearch-30B-A3B의 마스킹 이득은 −1.1점으로, No-CM 정확도가 70%를 넘으면 이득이 급락함을 보여준다.Tongyi는 표에서 No-CM 정확도(80.7%)와 재현율(0.93)이 가장 높지만, 마스킹을 적용하면 성능이 떨어진다. 또한 CM은 질의당 도구 호출을 GPT-OSS-120B에서 68.7회, DeepSeek-V4-Flash-Max에서 57.7회 늘린다.출처: §4 · p. 6
크기가 아닌 불일치
- AgentIR을 사용했을 때 Qwen3.5-35B-A3B의 이득은 +11.7점인 반면 Qwen3.6-35B-A3B는 +3.7점이라는 결과는 동일한 아키텍처와 매개변수 수만으로 마스킹의 효과 구간이 결정되지 않음을 보여준다.저자들은 이 차이의 원인을 학습에 따른 어텐션 동역학에서 찾고, 국소화 양상을 통해 이를 살펴본다.출처: §4 · p. 6
실시간 웹에서 심화되는 급락
- GPT-OSS-120B의 마스킹 이득은 GAIA에서 −4.8점인 반면 xBench에서는 +8.0점으로, 마스킹 효과가 과제에 따라 달라짐을 보여준다.같은 모델의 BrowseComp-Plus 이득은 +0.1점이다. xBench의 No-CM 정확도는 70.0%로 중간 구간에 속한다. 실시간 웹 검색은 잡음이 많고 통제하기 어려워, 마스킹이 독해 능력이 높은 모델이라면 활용했을 근거를 제거할 가능성이 더 크다.출처: §4 · p. 6, Table 1 · p. 6
5 연구 결과
관측 마스킹은 성공으로 전환된 질의의 누적 토큰을 절약하지만, 필요한 근거를 제거하면 비용이 큰 실패를 유발하므로 순이득은 성공 전환과 실패 전환의 균형에 달려 있다. 어텐션과 페이지 재방문 분석은 오래된 관측을 버려도 되는 경우가 많은 이유를 설명하며, 스캐폴드 절제 실험은 도구 오류와 정확한 URL을 보존하는 편이 낫다는 결과를 보인다.
5.1 상충관계: 이득은 어디서 오며 비용은 무엇인가?
- Qwen3.5-35B-A3B의 +11.7 pts와 GPT-OSS-120B의 +0.1 pts 향상은 성공 전환 대 실패 전환 질의 비율 약 3:1과 1:1에 각각 대응한다.성공으로 전환된 질의는 누적 토큰을 덜 소비하지만, 실패로 전환된 질의는 추가 검색, 페이지 재방문, 추론 턴으로 토큰 사용량을 늘린다. 누적 입력 토큰은 모든 턴의 문맥 길이를 합한 값으로, 최종 문맥 크기가 아닌 총 입력 비용을 측정한다.출처: §5.1 · pp. 6–7, Figure 4 · p. 7
5.2 회귀 프로브: 신호가 희소할 때 CM이 도움이 된다
- GPT-OSS-120B+AgentIR에서는 CM 성공 전환 AUC가 0.74여도 순이득은 +0.1에 그친다. 예측 가능한 성공 전환이 유용한 마스킹을 보장하지는 않는다.균형을 맞춘 선형 프로브는 No-CM 접두 구간의 복잡도와 적합된 근거 밀도를 사용한다. 포화된 설정에서는 복잡도가 높고 SNR이 낮아 식별하기 쉬운 사례가 성공으로 전환되는 반면, 이득이 큰 설정에서는 넓게 분포한 경계선상의 궤적이 개선된다. AgentIR의 근거 밀도는 페이지가 쌓일수록 낮아지지만, BM25에서는 낮은 수준을 유지하며 검색기 성능에 제약받는다.출처: Figure 5 · p. 7, §5.2 · p. 8
- xBench에서 Qwen3.5-9B와 DeepSeek-V4-Flash-Max는 성공 전환 사례의 분리도가 AUC ≈0.70–0.71로 비슷하지만, 정확도 향상은 각각 +7.0% 대 +2.0%로 차이가 난다.정답 근거 문서가 없으므로 최종 답변이 인용한 줄을 대리 신호로, 관측했지만 인용하지 않은 줄을 대리 잡음으로 삼는다. 이는 사실적 정확성이 아니라 근거가 드러나는 정도를 측정한다. DeepSeek는 이미 대리 SNR이 더 높으며, 이는 기본 역량과 성공 전환–실패 전환의 균형이 순효용을 좌우한다는 해석을 뒷받침한다.출처: Figure 5 · p. 7, §5.2 · p. 8
5.3.1 어텐션 근거: 관측보다 추론
- 단계별 어텐션의 53.7%는 과거 추론에, 25.6%는 도구 관측에 할당된다. 이는 모델이 대부분 더 이상 읽지 않는 관측을 마스킹하는 접근을 뒷받침한다.관측에 할당되는 어텐션의 65%는 과거 턴 중 가장 최근 10%에 집중되며, 중간 지점까지 누적하면 80%에 이른다. 추론은 중간 지점까지 68%에 그친다. 추론에 대한 어텐션은 가장 오래된 턴에서 다시 높아지지만, 오래된 중간 구간 관측에는 거의 할당되지 않는다.출처: §5.3.1 · pp. 8–9, Figure 6 · p. 9
- 궤적 중간 구간의 추론에 어텐션을 더 많이 할당할수록 마스킹 이득이 크고, 최신 관측에 집중할수록 이득이 작다.분석한 세 설정 중 9B-AgentIR은 추론에 대한 어텐션과 마스킹 이득이 가장 크다. 반대로 3.6-35B-AgentIR은 마스킹 시에도 보존되는 최신 관측에 집중하며, 이득이 더 작다.출처: §5.3.1 · p. 9, Figure 6 · p. 9
5.3.2 에이전트는 어디를 다시 여는가?
- 에이전트는 중간 구간 페이지를 거의 다시 열지 않는다. 마스킹은 최신 페이지와 초기 페이지의 재방문을 늘리며, 첫 페이지를 더 많이 재방문할수록 이득도 크다.낮은 어텐션과 드문 재방문을 함께 보면 후속 성능 지표 없이도 궤적 중간 구간의 낡은 관측을 식별할 수 있다. 마스킹은 대부분 더 이상 사용하지 않는 문맥 공간을 회수하지만, 여전히 필요할 수 있는 선택적 근거도 제거하므로 때때로 실패한다.출처: §5.3.2 · pp. 9–10, Figure 7 · p. 9
5.4 절제 실험
- 마스킹 시 오류 보존을 제거하면 페이지 열기 오류율이 4B에서는 18.6%에서 22.6%로, 9B에서는 20.4%에서 24.6%로 증가한다.정확한 URL을 모호한 페이지 제목으로 대체하면 페이지 열기 오류율이 4B에서는 20.8%, 9B에서는 26.2%로 높아진다. 보존된 오류는 형식이 잘못된 호출에서 복구하는 데 도움이 되며, 정확한 URL은 대상 주소를 재구성할 필요를 없앤다.출처: §5.4 · p. 10
6 관련 연구
장기 에이전트 검색에서는 검색 잡음이 누적되어 긴 문맥에서의 성능 저하가 심해진다. 이 연구는 구조 변경에 따른 큰 부담 없이 최소한의 진단용 실험 구성으로 문맥 관리의 효용을 분석한다.
장기 에이전트 검색
- 장기 검색에서는 수십 차례의 도구 사용 턴에 걸쳐 상태를 유지해야 하며, 검색 잡음은 긴 문맥에서의 성능 저하와 lost-in-the-middle 효과를 증폭한다 (Liu et al., 2024).검색기는 탐색과 근거 위치 파악을 지원하지만, 관측 내용이 가득한 문맥도 만들어 드문드문 있는 근거를 찾아내기 어렵게 한다.출처: §6 · p. 10
자율 에이전트의 문맥 관리
- AgentFold (Ye et al., 2025)는 네이티브가 아닌 도구 호출 루프를 사용하고, ReSum (Wu et al., 2025)은 지속적인 요약 갱신이 필요해 연산량이 늘고 KV-cache 재사용이 줄어들 수 있다.반면 이 논문은 구조 변경에 따른 큰 부담 없이 최소한의 진단용 실험 구성으로 관측의 변화 양상이 문맥 관리의 효용에 미치는 영향을 살핀다.출처: §6 · p. 10
- 문맥 관리 연구는 MemGPT (Packer et al., 2023)에서 영감을 받은 작업 기억을 바탕으로 정적 절단, 휴리스틱 기반 제거, 온라인 압축을 활용한다.정적 절단 방식에는 Liu et al., 2025; Zeng et al., 2026; Moonshot AI, 2025 등이 있다.출처: §6 · p. 10
7 결론
관측 마스킹은 기본적으로 적용할 기법이 아니라 역량 구간에 따라 효과가 달라지는 개입이며, 그 효용은 시스템의 기본 역량에 달려 있다. 검색 재현율이 모델 자체의 잡음 필터링 능력을 앞설 때 가장 효과적이다.
7 결론
- 관측 마스킹은 향상된 검색 재현율이 모델 자체의 잡음 필터링 능력을 앞서는 중간 최적 구간에서 가장 효과적이다.그 효용은 시스템의 기본 역량에 달려 있다.출처: §7 · p. 10
- 성능이 낮은 검색기는 마스킹으로 드러낼 근거 자체가 부족한 반면, 성능이 포화된 모델은 마스킹이 없었다면 활용할 수 있었던 핵심 정보를 잃을 위험이 있다.이러한 실패 양상 때문에 중간 구간 밖에서는 마스킹의 효용이 제한된다.출처: §7 · p. 10
- 컨텍스트 관리는 독립적인 기본 설정으로 취급할 것이 아니라 검색기 재현율 및 모델 역량과 함께 조정해야 한다.저자들은 더 폭넓은 컨텍스트 관리 전략을 평가하고 향후 에이전트 시스템을 설계하는 지침으로 여러 역량 구간을 아우르는 분석 틀을 제안한다.출처: §7 · p. 10
한계
결과는 여러 벤치마크에서 일관되지만, 이 연구는 단순한 마스킹 정책만을 따로 분석하며 최첨단 비공개 모델은 다루지 않는다. 구간별 분석 틀은 여전히 예측보다는 현상 기술에 머문다.
한계
- 단순한 턴 기반 관측 마스킹 정책만으로는 적응형 정책이 모델과 검색기의 불일치에서 얻는 이득을 유지하면서 모델 포화 구간의 성능 급락을 피할 수 있는지 알 수 없다.학습 기반, 어텐션 유도, 의미 적응형 정책 등의 대안은 검증하지 않았다.출처: LIMITATIONS · p. 11
- 구간별 분석 틀은 현상을 예측하기보다는 기술하는 틀이며, 그 경계는 서로 다른 에이전트 실행 구조, 다운스트림 과제, 검색 인터페이스에서 검증해야 한다.실제 웹 환경에서의 재현 결과는 이 패턴이 BrowseComp-Plus에만 국한되지 않음을 시사하지만, SWE 코드 위치 식별 같은 과제로의 전이는 아직 검증되지 않았다.출처: LIMITATIONS · p. 11
- 4B에서 284B까지의 가중치 공개 기반 모델을 평가했지만, 연산 자원, 추론, 어텐션 분석의 제약으로 최첨단 비공개 모델은 연구에서 제외했다.다양한 모델을 다루지만 모든 모델을 포괄하지는 않는다.출처: LIMITATIONS · p. 11
윤리적 고려사항 … B 평가 세부사항
장기 탐색에서는 관측 내용이 많은 맥락이 누적되므로 맥락 관리가 필요하지만, 증거 보존과 계산 비용 간의 절충이 따른다. 효율 향상은 오용과 신뢰성 위험도 수반하므로 인간의 감독과 분야별 검증이 필수적이다.
윤리적 고려사항
- 높은 벤치마크 성능이 고위험 상황에서의 신뢰성을 보장하지는 않는다. 맥락 관리로는 기반 모델의 환각이나 추론 실패를 해결할 수 없으므로 인간의 감독과 분야별 검증이 여전히 필수적이다.이 프레임워크는 특히 의료, 법률, 금융 분야에서 인간이 참여하는 분석을 대체하기보다 보조하도록 설계되었다.출처: ETHICAL CONSIDERATIONS · p. 11
- 맥락 관리는 윤리적 주의 문구나 예외적 상황에 대한 안전 경고를 누락시킬 수 있으며, 남은 맥락을 통해 모델의 편향을 강화할 수 있다.남은 맥락에는 탐색한 증거와 모델이 자체 생성한 내용이 모두 포함될 수 있다.출처: ETHICAL CONSIDERATIONS · p. 11
- 장기 웹 조사 비용이 낮아지면 접근성이 확대되는 한편, 저품질 콘텐츠나 오해를 유발하는 콘텐츠를 저비용으로 자동 생성하기도 쉬워진다.적응적 이력 압축은 예산이 제한된 모델의 효율을 높여 접근성을 개선하지만, 오용 가능성도 만든다.출처: ETHICAL CONSIDERATIONS · p. 11
A 추가 관련 연구
- 수십 또는 수백 차례의 상호작용에 걸쳐 도구 출력, 오류, 산출물, 환경 상태가 누적되면서 맥락 창은 비용이 점점 커지고 활용하기 어려운 작업 기억이 된다.에이전트는 일관된 작업 상태를 유지하고, 피드백을 바탕으로 계획을 수정하며, 중간 관측을 이후의 의사결정과 연결해야 한다.출처: A MORE RELATED WORK · p. 16
- 관측 내용이 많은 탐색 이력은 맥락 희석과 lost-in-the-middle 실패를 유발할 위험이 있다(Liu et al., 2024). 따라서 오래된 관측을 마스킹해도 후속 단계의 증거 활용이 유지되는 조건을 검증할 필요가 있다.탐색, 페이지 열기, 증거 위치 찾기를 반복하면 스니펫, 페이지, 텍스트 구간, 도구 피드백이 수행 궤적에 추가된다.출처: A MORE RELATED WORK · p. 16
- 정적 가지치기와 압축은 맥락을 줄이지만 장거리 의존성을 영구적으로 제거할 수 있다.반면 생성 후 수행 궤적 검색은 완료된 실행 기록을 파싱하거나 다시 검색해 핵심 증거를 찾는다(Lee et al., 2026; Zhou et al., 2026).출처: A MORE RELATED WORK · p. 16
- AgentFold (Ye et al., 2025)와 ReSum (Wu et al., 2025)은 실행 중 맥락을 압축하지만 추가 계산 비용이나 도구 호출 비용이 발생한다.AgentFold는 모델이 기본 지원하지 않는 도구 호출 루프에 의존한다. ReSum은 단계별 누적 요약을 사용해 중간 계산량을 늘리며 KV-cache 재사용을 줄일 수 있다.출처: A MORE RELATED WORK · p. 16
B.1 벤치마크 · B.2 검색기 • · B.3 비교 기준 모델 •
평가는 고정 코퍼스 및 공개 웹 벤치마크에 희소·밀집·추론 인식 검색기를 결합한다. 비교 기준 모델에는 가중치가 공개된 기반 모델, 추론 모델, 심층 조사 특화 모델이 포함된다.
B.1 벤치마크
- BrowseComp-Plus (Chen et al., 2025c) 예제 830개는 사람이 검증한 근거 문서와 구분하기 어려운 비관련 문서가 포함된 고정 코퍼스로 다중 문서 검색 및 종합 능력을 평가한다.오프라인 검색 엔진은 공식 공개 코퍼스와 해당 BM25 및 Qwen3-Embedding-8B FAISS 인덱스를 사용하므로 실시간 웹 접근에 의존하지 않는다.출처: §B.1 · pp. 16–17
- 11개 분야의 BrowseComp-ZH (Zhou et al., 2025) 질문 289개는 중국어 웹에서의 다중 홉 검색과 출처 간 정보 조정 능력을 평가한다.각 질문은 짧고 객관적이며 검증 가능한 답에서 역으로 구성해 정답의 유일성을 보장하고 자동 평가를 용이하게 한다.출처: §B.1 · p. 17
- 텍스트 전용 GAIA (Mialon et al., 2024) 예제 103개와 xbench-DeepSearch (Chen et al., 2025a) 예제 100개는 추론, 도구 사용, 여러 턴에 걸친 지속적인 웹 조사 능력을 평가한다.GAIA는 Team et al. (2025b;a)에 따라 텍스트 전용 부분집합을 사용한다. xbench-DeepSearch는 전체 데이터셋을 사용하며 질문 분해, 반복적 근거 수집, 근거 기반 종합 능력을 평가한다.출처: §B.1 · p. 17
B.2 검색기 •
- BrowseComp-Plus에서 BM25 는 어휘 기반 검색을, Qwen3-Embedding-8B (Zhang et al., 2025b)는 주된 밀집 검색을 담당한다.BM25는 어휘 일치와 단어 빈도 가중치를 사용하며, Qwen3-Embedding-8B는 가중치가 공개된 임베딩 모델이다.출처: §B.2 · p. 17
- AgentIR-4B (Chen et al., 2026)는 추론 기록과 검색 질의를 함께 임베딩해 에이전트의 의도와 여러 턴의 맥락을 검색에 반영한다.실험에서는 공개된 BrowseComp-Plus 인덱스를 사용하고, 보고된 최고 성능 설정에 따라 현재 턴의 추론을 검색 질의에 덧붙인다.출처: §B.2 · p. 17
B.3 비교 기준 모델 •
- Qwen3.5/3.6 모델 (Team, 2026; QwenTeam, 2026b)은 브라우저 도구 병렬 접근을 지원하며, 가중치가 공개된 경쟁력 있는 심층 조사 기준 모델로 사용된다.혼합 아키텍처는 Gated Delta Networks와 희소 혼합 전문가 라우팅을 결합하며 최대 1M 입력 토큰을 지원한다.출처: §B.3 · p. 17
- GPT-OSS 모델 (Agarwal et al., 2025)은 가중치가 공개된 추론 기준 모델로, 동일한 브라우저 도구 인터페이스를 통해 평가된다.이 계열에는 GPT-OSS-120B와 GPT-OSS-20B가 포함되며, 128K 입력 컨텍스트 창, 조절 가능한 추론 강도, 도구 사용 기능을 제공한다.출처: §B.3 · p. 17
- DeepSeek-V4 와 특화 모델 OpenResearcher-30B-A3B (Li et al., 2026a)는 브라우저 도구 병렬 접근을 지원하는 공개 가중치 기준 모델로 평가된다.두 모델 모두 1M 입력 컨텍스트 창을 지원하며, DeepSeek-V4는 장기 도구 사용을 목표로 한다. OpenResearcher는 완전히 공개된 궤적 합성 파이프라인으로 학습된다.출처: §B.3 · pp. 17–18
C 실험 설정
실험에서는 모델 크기에 따른 텐서 병렬화, 모델별 고유 도구 템플릿, 고정된 디코딩 설정을 사용한다. LLM 판정 표본을 사람이 검증한 결과, 일치율은 99.9%를 넘었다.
모델 서빙
- NVIDIA H100 GPU 8대로 모든 백본 모델을 구동하며, 모델 크기에 맞춰 텐서 병렬화 수준을 조정한다.4B/9B 모델은 TP=1, 20B/30B/35B는 TP=2, 120B는 TP=4, DeepSeek-V4-Flash-Max는 TP=8로 구동한다.출처: C EXPERIMENT SETTINGS · p. 18
도구 호출 형식
- 모델은 공통으로 만든 형식 대신 각 모델 고유의 채팅 및 도구 호출 템플릿을 사용해, 템플릿 불일치로 인한 성능 저하를 방지한다.모델별 템플릿이 제공되는 경우, 도구 명세와 관측 내용을 해당 템플릿을 통해 삽입한다.출처: C EXPERIMENT SETTINGS · p. 18
생성 설정 및 평가
- 기본 생성 설정은 턴당 출력 토큰 8192개와 온도 1.0이며, 모든 모델–검색기 조합에서 동일하게 유지한다.기본 검색 top-k는 15이며, 페이지를 열 때 가져오는 기본 줄 수는 50이다. LLM이 판정한 실험 결과 중 무작위로 추출한 15% 표본을 사람이 검증한 결과, 일치율은 99.9%를 넘었다.출처: C EXPERIMENT SETTINGS · p. 18
D 회귀 프로브: 실험 설정 … D.6 실시간 웹 XBENCH 대리 지표
프로브는 No-CM 실행 기록의 형태 특징으로 SNR을 추정하며, 별도의 AUC는 회귀 품질이 아니라 2차원 시각화의 분리 가능성을 측정한다. 실시간 웹 xBench에는 정답 문서 qrels가 없어 더 약한 인용 기반 대리 지표를 사용한다.
D.1 BROWSECOMP-PLUS 실행 기록과 레이블
- BrowseComp-Plus의 다섯 모델–검색기 설정에서 정답 문서 기반 프로브를 구성하며, 모든 특징과 SNR 목표값은 오직 No-CM 궤적에서 계산한다.설정은 GPT-OSS-120B+AgentIR, Qwen3.5-4B+AgentIR, Qwen3.5-9B+Qwen3-Emb-8B, DS-V4-Flash-Max+AgentIR, Qwen3.5-4B+BM25다. 정답 URL은 BrowseComp-Plus qrels에서 가져오며, 재현율 평가기의 완전 일치용 URL 정규화를 적용한다.출처: §D.1 · p. 18
D.2 부분 궤적 표본 추출
- 궤적마다 부분 궤적을 최대 8개 표본 추출하며, 최종 근거 상태는 항상 포함한다.T ≤ 8이면 모든 부분 궤적을 유지한다. 그렇지 않으면 처음 T − 1개 턴에서 7개를 균등하게 표본 추출하고 최종 부분 궤적을 추가한다. 이로써 질의 830개로 구성된 설정마다 약 6.5k개의 부분 궤적 예시를 얻는다.출처: §D.2 · pp. 18–19
D.3 입력 특징
- 실행 기록 형태 특징은 모델의 은닉 상태를 사용하지 않고 궤적 진행도, URL 누적, 관측 길이, 도구 호출 유형, 궤적별 예산을 나타낸다.입력에는 정규화된 부분 궤적 위치, 로그 변환한 누적·신규 URL 수와 관측 길이, URL 증가율, 검색·열기 지시 변수, 최종 URL 예산, 로그 변환한 궤적 턴 수가 포함된다.출처: §D.3 · p. 19
D.4 회귀 모델과 이차원 투영
- 설정별 SNR 탐침은 표준화된 트레이스 특성, 이차 다항식 상호작용, 질의별로 그룹화한 교차 검증을 적용한 릿지 회귀를 사용한다.정규화 계수 α는 {10^-4, …, 10^4}에서 교차 검증으로 선택하며, 예측값은 [0, 1]로 제한한다. 질의별로 그룹화하면 동일 질의의 접두 구간이 훈련 폴드와 테스트 폴드 양쪽에 포함되는 것을 방지할 수 있다.출처: §D.4 · p. 19
D.4 회귀 모형과 2차원 투영
- 최소–최대 정규화한 적합 SNR을 세로 좌표로 사용하고, 첫 번째 주성분을 비지도 방식의 입력 복잡도 대리 지표로 삼는다.첫 번째 주성분은 실행 기록 규모와 강한 상관관계를 보이며, 누적 턴 수와 로그 변환한 관측 문자 수에 큰 양의 적재값을 갖는다.출처: §D.4 · p. 19
D.5 AUC 계산
- 산점도 AUC는 SNR 회귀 품질이 아니라 표시된 좌표의 선형 분리 가능성을 측정한다.클래스 균형을 맞춘 로지스틱 프로브에 질의별로 그룹화한 교차 검증을 적용한다. 보고된 AUC는 평가용 폴드의 Mann–Whitney ROC-AUC 값을 매크로 평균한 값이다. CM 복구 양성 사례는 No-CM 오답 → CM 정답 질의다. BrowseComp-Plus의 음성 사례는 복구되지 않은 모든 부분 궤적인 반면, xBench는 성능이 저하된 궤적을 제외하고 성능이 변하지 않은 부분 궤적을 사용한다.출처: §D.5 · p. 19
D.6 실시간 웹 XBENCH 대리 지표
- 실시간 웹 xBench의 실행 기록에는 실제 정답 문서 SNR 계산에 필요한 정답 문서 qrels가 없어 더 약한 인용 대리 지표를 사용한다.목표값은 누적 관측한 브라우저 행 중 최종 No-CM 답변이 인용한 행의 비율인 |L_q,t ∩ C_q| / max(|L_q,t|, 1)이다. 이 대리 지표에도 동일한 그룹 기반 회귀와 2차원 분리 가능성 분석 절차를 적용한다.출처: §D.6 · p. 20
E 어텐션 분석: 실험 설정 … G 추가 실험 결과
어텐션 분석에서는 세 모델–검색기 설정의 대응 궤적을 사용해 탐색 에이전트가 과거 턴과 역할별로 어텐션을 어떻게 배분하는지 측정한다. 프롬프트 템플릿은 탐색 연산, 병렬 도구 호출, 답변 형식, 정답 여부 판정을 정의한다.
E.1 모델과 궤적
- BrowseComp-Plus (Chen et al., 2025c)에서 설정별로 짝지은 궤적 150개를 사용해 세 모델–검색기 조합을 비교하며, 모두 병렬 도구 호출을 사용한다.조합은 Qwen3.5-4B/BM25, Qwen3.5-9B/AgentIR (Chen et al., 2026), Qwen3.6-35B-A3B/AgentIR이다. 네 층마다 full attention을 사용하며, 이는 4B/9B 모델에서는 여덟 층, 35B 모델에서는 열 층에 해당한다.출처: §E.1 · p. 20
E.2 훅을 적용한 VLLM으로 쿼리/키 텐서 수집
- 훅을 적용한 vLLM (Kwon et al., 2023)에서 chunked-prefill을 한 번 수행해, 각 추론 시작 토큰의 어텐션 계산에 필요한 쿼리/키 텐서를 수집한다.순전파 훅 (Ko & Chen, 2026)은 모든 토큰 위치를 기록한다. 인과 마스킹은 뒤쪽 토큰이 앞쪽 쿼리와 키에 영향을 주지 못하게 한다. 35B-A3B 실행에는 H100 GPU 2개를 사용하며, 분할된 헤드 텐서는 오프라인에서 이어 붙인다.출처: §E.2 · p. 20
E 어텐션 분석: 실험 설정 / E.3 턴별 어텐션 점수
- 각 추론 시작 토큰의 어텐션을 층과 헤드에 걸쳐 평균한 뒤, 상호작용 턴과 역할별로 앞선 토큰들의 값을 합산한다.채팅 템플릿의 표식으로 시스템, 사용자, 추론, 도구 호출, 관측 구간을 식별한다. 각 턴은 추론과 그 뒤의 도구 호출–관측 쌍을 묶으며, 첫 턴에는 초기 시스템 및 사용자 구간도 포함한다.출처: §E.3 · pp. 20–21, E ATTENTION ANALYSIS: EXPERIMENTAL SETUP · p. 20
E.4 궤적별 히트맵
- 궤적별 히트맵은 추론 어텐션을 파란색 하삼각 영역에, 전치한 관측 어텐션을 주황색 상삼각 영역에 구분해 표시한다.현재 단계의 어텐션이 비대각 원소의 값보다 훨씬 크므로, 대각선은 마스킹하고 자기 어텐션은 색상 범위 설정에서 제외한다. 제시된 예시는 50턴으로 구성된 9B-AgentIR 궤적이다.출처: §E.4 · p. 21
E.5 통합 감쇠 곡선
- 통합 감쇠 곡선은 정규화된 과거 턴 위치에 따른 역할별 평균 어텐션과 누적 어텐션 비율을 보여준다.설정별 궤적 150개에서 과거 턴이 5개 이상인 추론 단계만 사용하고, 위치를 동일한 폭의 구간 20개로 나눈다. 시스템, 사용자, 현재 단계 자체에도 어텐션이 배분되므로 누적 비율은 100%에 미치지 않는다.출처: §E.5 · p. 21
F 프롬프트 템플릿 / F.3 도구 프롬프트 / F.4 병렬 도구 호출 지침 / 병렬 도구 호출 지침
- 도구 실행 틀은 검색, 링크나 URL 열기, 스크롤, 정확한 패턴 찾기에 병렬 호출을 위한 모델별 지침을 결합한다.독립적인 호출은 한 응답 안에서 연속된 도구 호출 블록으로 나타날 수 있다. 이 실행 틀은 하나의 어시스턴트 턴에 포함된 여러 함수 호출이나 여러 쿼리를 포함한 Tongyi DeepResearch 검색을 병렬 호출로 인식한다.출처: §F.3 · pp. 22–23, §F.4 · p. 23, Parallel Tool-Call Instruction · p. 23
F 프롬프트 템플릿 / 시스템 프롬프트 / F.5 LLM 평가자 프롬프트
- 에이전트 프롬프트는 검색과 추론의 교차 수행, 출처를 인용한 설명, 정확한 답, 확신도를 요구하며, 평가자는 문제를 직접 풀지 않고 최종 답의 일치 여부를 확인한다.평가자는 작은 수치 오차는 허용하지만 불일치, 모호성, 비동등성은 허용하지 않는다. 보고된 확신도를 추출하며, 확신도가 없으면 기본값 100을 사용한다.출처: System Prompt · p. 22, §F.5 · p. 23
G.1 주요 결과 분석 · H 사례 연구
마스킹은 검색으로 확보한 근거를 모델이 잡음과 안정적으로 구분하지 못할 때 가장 효과적이다. 검색 병목이나 모델 포화 상태에서는 이득이 줄고 손실로 바뀌기도 한다. 마스킹은 모든 영역에서 도구 호출을 늘리지만, 그 비용이 일관되게 정확도 향상으로 이어지지는 않는다.
G.1 주요 결과 분석
- BM25에서 Qwen3.5-4B, Qwen3.5-9B, GPT-OSS-20B의 마스킹 이득은 각각 +6.3, +6.6, +6.2로, 모델 역량 차이에도 거의 일정한 평탄 구간을 형성한다.재현율은 0.54를 넘지 않고 절대 정확도는 39% 미만에 머물러, 모델 역량이 아닌 검색이 성능을 제한한다.출처: §G.1 · pp. 23–24
- No-CM 대비 최대 정확도 이득은 +11.7로, 비단조적인 세 영역 패턴에서 Qwen3.5-35B-A3B+AgentIR이 달성한다.불일치 영역에서는 높은 0.7–0.9 범위의 재현율과 45–65%의 No-CM 정확도가 나타난다. No-CM 정확도가 약 70%를 넘으면 이득이 급감해, GPT-OSS-120B는 +0.1, Tongyi-DeepResearch는 −1.1에 이른다.출처: §G.1 · p. 24
- 영역을 결정하는 것은 매개변수 수가 아니라 검색기–모델 간 불일치다. 비슷한 규모의 백본도 마스킹 이득은 크게 다르다.구조와 매개변수 수가 같고 학습 방식만 다른 Qwen3.5-35B-A3B와 Qwen3.6-35B-A3B의 이득은 각각 +11.7과 +3.7이다. 약 30B 규모에서는 OpenResearcher-30B-A3B의 이득이 +2.6인 반면 Tongyi-DeepResearch는 −1.1의 손실을 보여, 맥락을 선택적으로 활용하도록 학습하는 것이 중요함을 뒷받침한다.출처: §G.1 · p. 24
- GPT-OSS-120B는 질의당 68.7회의 추가 호출로 정확도 이득을 +0.1만 얻는다. 마스킹의 호출 비용은 보편적이지만 이득은 영역에 따라 달라진다.결과가 있는 모든 구성에서 도구 호출이 늘며, 증가량은 Qwen3.5-9B+AgentIR의 20.3회부터 GPT-OSS-20B+Qwen3-Emb-8B의 91.6회까지다. 오래된 관측을 지우면 재질의와 재독해가 가능해져, 탐색 궤적이 짧아지기보다 재현율이 높아진다.출처: §G.1 · p. 24
- 추가 벤치마크 세 개에서도 역량이 낮은 Qwen 백본은 마스킹 이득을 유지하지만 DS-V4-Flash-Max는 포화 상태에 머문다.Qwen3.5-9B는 GAIA-text에서 +4.8, xBench에서 +7.0의 이득을 얻고, Qwen3.5-4B는 BrowseComp-ZH에서 +3.4의 이득을 얻는다. BrowseComp-Plus 밖에서도 영역 간 순서가 재현된다.출처: §G.1 · p. 24
- GPT-OSS-120B의 마스킹 효과가 xBench에서는 +8.0, GAIA-text에서는 −4.8이라는 점은 영역이 모델 자체뿐 아니라 과제별 기본 정확도에 달려 있음을 보여준다.xBench 기본 정확도는 70.0%여서 다시 불일치 영역에 속하지만, 기본 정확도가 더 높은 GAIA-text에서는 과도한 가지치기가 발생한다. GAIA-text의 손실은 관측된 음의 효과 중 가장 크며, 마스킹이 독해 역량이 높은 모델에서 유용한 근거를 제거한다는 설명과 부합한다.출처: §G.1 · p. 24
- Qwen3.5-4B의 이득은 GAIA-text에서 +1.9로, BrowseComp-Plus의 여러 검색기에서 얻은 +6–+11과 대비되며 잡음이 많은 실시간 웹 검색에서 마스킹의 한계를 드러낸다.저자들은 잡음이 더 많고 활용하기 어려운 맥락과 검색된 근거를 활용하지 못하는 4B 독해 모델의 역량 한계 때문에 이득이 작다고 설명한다. 낮은 검색 품질과 낮은 독해 역량 모두 구성을 저이득 영역으로 밀어낸다.출처: §G.1 · p. 24
H.1 사례: BROWSECOMP-PLUS에서의 병렬 도구 사용 … H.5 사례: BROWSECOMP-PLUS — CM으로 성능 향상(CM 미사용 오답 →CM 사용 정답)
이 사례들은 BrowseComp-Plus를 비롯한 장기 검색 조사에서 병렬 브라우저 사용과 관측 마스킹을 살펴본다. 마스킹은 문맥 한도 내에서 인용 근거 수집과 탐색을 지속하게 해주지만, 결정적 증거나 오류를 바로잡을 증거를 제거해 정답을 오답으로 바꿀 수도 있다.
H.1 사례: BROWSECOMP-PLUS에서의 병렬 도구 사용
- 정확한 구문 검색이 실패한 뒤, 2001년 책과 2012년 고고학 논문이 서로 다른 문헌임을 파악하면서 검색 방향이 바뀌었다.에이전트는 Jill Hamel이 자선 신탁의 이사로 활동했다는 단서를 따라 Hereweka–Harbour Cone Trust에 도달한 뒤 Angela Middleton의 2012년 논문을 찾았다.출처: §H.1 · p. 26
- William Larnach가 1898년 사망 당시 보유한 토지의 합산 면적에 대한 최종 답은 404헥타르였다.Qwen-3-Embed-8B를 결합한 Qwen3.5-9B는 browser.search, browser.open, browser.find를 병렬 호출을 포함해 사용했다. 관련 문헌의 필요한 부분을 열람해 Larnach의 생애 관련 맥락을 확인했다.출처: §H.1 · pp. 25, 27, 28
H.2 사례: TONGYI-DEEPRESEARCH-30B-A3B — 배열 질의의 병렬 검색
- AgentIR을 결합한 DeepResearch-30B-A3B는 관측 마스킹을 적용한 병렬 검색 조사에서 정답 판정을 받았다.첫 번째 턴의 병렬 도구 호출 5회로 Brazuca를 후보로 찾았고, 두 번째 턴의 38회 호출로 감독의 배경을 검증했다. 이후 이전 결과들은 보관 사실을 나타내는 대체 표시로 바뀌었다.출처: §H.2 · pp. 29–30
- 에이전트는 Brazuca의 편집자 Yorgos Georgopoulos가 2016년 살인 사건 해결을 다룬 영화 The Other Me도 편집했다는 명확한 독립 근거를 확보하지 못했지만, 100% 확신도로 Brazuca라고 답했다.38회의 병렬 호출을 한꺼번에 수행한 뒤 모델은 Brazuca로 방향을 굳혔고, 이후 22라운드 동안 부차적인 단서를 확인했다. 영화제 페이지의 증거는 감독의 배경을 확인해주었으며 Brazuca의 편집자가 Yorgos Georgopoulos임을 밝혔다.출처: §H.2 · pp. 31–33
H.3 사례: XBENCH-DEEPSEARCH — GPT-OSS-120B
- GPT-OSS-120B가 xbench-DeepSearch에서 정답을 낸 실행에서는 브라우저 결과 62개가 자동 보관되어, 문맥 한도를 넘지 않고 인용 근거 수집을 오래 지속할 수 있었다.모델은 위징에게 아들이 네 명 있었다는 답을 이미 확보했지만, 이후에도 약 50라운드를 더 들여 이를 뒷받침하는 출처의 정확한 구절을 수집했다.출처: §H.3 · pp. 34, 36
H.4 사례: BROWSECOMP-PLUS — CM으로 성능 저하(미사용 정답 →CM 사용 오답)
- AgentIR을 결합한 GPT-OSS-120B는 BrowseComp-Plus에서 마스킹 없이는 정답을 냈지만, 마스킹 적용 시 결정적인 날짜 증거가 보관 처리된 뒤 오답을 냈다.마스킹 없이는 에이전트가 관계가 끝난 달을 June 2023으로 유지했다. 마스킹을 적용하자 남은 맥락에서 August 2023의 발표 근거가 지배적이 되어 오답으로 이어졌다.출처: §H.4 · pp. 37–38
H.4 사례: BROWSECOMP-PLUS — CM으로 성능 저하 (OFF 정답 →CM ON 오답)
- 관계가 끝난 시점을 묻는 질문에 CM-off는 June 2023이라고 정확히 답했지만, CM-on은 August 2023이라고 잘못 답했다.두 최종 답변 모두 신뢰도를 97%로 제시했다.출처: §H.4 · pp. 39, 41
- 자동 보관으로 아직 열어보지 않은 NTV 발췌문이 제거되면서 June의 결별과 August의 발표를 구분하는 근거가 사라졌고, 남은 발표 근거를 에이전트가 관계 종료 시점으로 오해했다.이후 확인 검색 결과는 대부분 마스킹되었으며, 마지막까지 가려지지 않은 결별 근거는 Citizen Digital의 발표 기사뿐이었다.출처: §H.4 · p. 40
H.5 사례: BROWSECOMP-PLUS — CM으로 성능 향상(CM 미사용 오답 →CM 사용 정답)
- 관측 마스킹은 정답인 Sankomota / Frank Leepa를 찾아냈지만, CM 미사용 기준선은 Nass el Ghiwane에 고착되어 Ali Benfarha라는 오답을 냈다.CM 사용 실행은 32회의 자동 보관과 함께 36라운드를 마쳤고, CM 미사용 실행은 24라운드를 수행했다.출처: §H.5 · pp. 42, 45
- 2003년이 아닌 2023년 사망자가 반복 검색되면서 CM 미사용 검색이 난항을 겪은 반면, 마스킹 적용 실행은 문맥 크기를 제한한 덕분에 비영어 자료 탐색을 지속할 수 있었다.기준선은 후보 기타리스트가 2003년 사망이라는 단서를 충족하는지 검증하지 않은 채 Nass el Ghiwane을 추적했다.출처: §H.5 · pp. 42–44
- 2–31라운드에 걸친 30턴 동안 잘못된 밴드 후보를 추적했으며, 검색 결과는 요구된 2003년 사망자보다 2023년 사망자를 반복적으로 우선 제시했다.잘못된 후보에는 Osibisa, AC/DC, Pink Floyd, U2, The Bricks가 포함되었고, 이들은 악기, 사망 연도 또는 결성 시점에 관한 단서와 맞지 않았다.출처: §H.5 · p. 45
- 이전 브라우저 결과 32개를 보관 처리해 문맥 크기를 제한함으로써, 에이전트는 문맥 한도를 넘지 않고 밴드 후보를 계속 바꿔가며 탐색할 수 있었다.보관 처리는 Sankomota를 찾아내기 전까지 이어진 장시간의 탐색 중에 이루어졌다.출처: §H.5 · p. 46
- 문맥 관리를 활성화하자 에이전트는 결국 Sankomota의 창립자 Frank Leepa를 최종 답으로 지목했다.33–35라운드에서 그가 기타리스트이자 프런트맨이었으며 27 November 2003에 사망했음을 확인했고, 36턴에는 그를 정답으로 확정했다.출처: §H.5 · pp. 46–47
Related papers
This paper cites
- Efficient Memory Management for Large Language Model Serving with PagedAttention2023
- OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments2024
- Efficient Streaming Language Models with Attention Sinks2023
- OpenHands: An Open Platform for AI Software Developers as Generalist Agents2024
- Qwen3 Embedding: Advancing Text Embedding and Reranking Through Foundation Models2025
- GLM-5: from Vibe Coding to Agentic Engineering2026