AI 요약 · 영어에서 AI 번역
Retriever-Free Retrieval: Navigating Documents with Decision Models
Chao Wan, Paul Jünger, Beixi Du, Bodong Liu, Navaneetha Krishnan, Kilian Q. Weinberger
TL;DR
검색은 흔히 어휘 일치나 고정 임베딩 공간에 의존하므로, 생성기는 검색기가 놓친 근거를 복구할 수 없다. DecisionRAG는 공유 문맥에서 토큰을 생성하지 않고 판단해 말뭉치 계층을 탐색한다. 두 벤치마크에서 8B 재순위화 모델을 사용한 밀집 검색보다 우수하며, 네 벤치마크 전반에서 질의당 0.7–1.8초 만에 검색한다.
문제
기존의 어휘 기반 또는 고정 임베딩 기반 검색기는 강력한 생성기조차 복구할 수 없는 근거를 놓칠 수 있다.
출처: §1 · p. 1Method
DecisionRAG navigates corpus hierarchies by jointly evaluating candidates in a shared context at each level, without generating tokens or using a first-stage retriever.
출처: §1 · pp. 1–2결과
MultiDoc2Dial에서 13.8 R@1 포인트, Natural Questions에서 17.4 Hit@1 포인트: DecisionRAG는 8B 재순위화 모델을 사용한 밀집 검색보다 우수하며, 네 벤치마크에서 질의당 0.7–1.8초 만에 검색한다.
출처: §1 · p. 2, §5.1 · p. 7핵심 요점 및 한계
균형 잡힌 계층에서는 순차적 판단 횟수가 말뭉치 크기에 대해 로그 수준으로만 증가하며, 검색은 판단 모델의 성능 향상을 물려받을 수 있다.
출처: §8 · p. 10검색 품질은 계층 구조와 노드 설명에 좌우되며, 되돌릴 수 없는 가지치기는 조상이 제거될 때 관련 문단을 버릴 수 있다.
출처: §7 · p. 10
Abstract
from arXiv · showhide
While language models have become dramatically more capable, retrieval still largely relies on lexical matching or similarity in fixed embedding spaces. This creates a capability asymmetry: what the retriever fails to find, even the strongest generator cannot recover. We propose DecisionRAG, which brings the capabilities of pretrained language models to retrieval using decision models that jointly evaluate candidate branches in a single forward pass, without generating any tokens, and show that judging candidates in a shared context makes their relevance estimates comparable. Like a person browsing a library, DecisionRAG navigates the corpus's inherent structure from broad topics down to individual passages, deciding at each level which branches are worth exploring. Without task-specific training or a first-stage retriever, DecisionRAG outperforms dense retrieval with an 8B reranker by 13.8 R@1 points on MultiDoc2Dial and 17.4 Hit@1 points on Natural Questions. Across four benchmarks, including a corpus of 2.68 million Wikipedia paragraphs, retrieval takes just 0.7-1.8 seconds per query.
1. 서론
DecisionRAG는 생성 기능이 점점 강력해지는 반면 기존 검색기는 그렇지 못한 간극을 해소하기 위해, 비생성적 의사결정으로 말뭉치 계층 구조를 탐색하는 데 사전학습 언어 모델을 활용한다. 첫 단계 검색기나 과제별 학습이 필요 없으며, 보고된 두 벤치마크에서 8B 재순위화기를 사용한 dense retrieval보다 우수한 성능을 보인다.
1. 서론
- 검색 증강 생성(RAG)은 추론 시점에 외부 근거를 가져와 학습 데이터에 없는 정보에 접근하고, 검증 가능한 출처를 바탕으로 응답을 생성한다.인용된 배경 설명은 RAG를 현대 언어 모델 파이프라인의 핵심 요소로 다룬다.출처: §1 · p. 1
- 기존 검색기는 용어 빈도 기반 휴리스틱이나 고정 임베딩 유사도를 사용하며, 검색기가 놓친 근거를 생성기가 복구할 수 없기 때문에 역량 비대칭이 발생한다.재순위화기는 첫 단계 검색 결과의 순서만 바꾸는 반면, 토큰을 생성하는 에이전트형 탐색은 느리고 비용이 많이 들 수 있다.출처: §1 · p. 1
- 의사결정 모델은 공유 컨텍스트를 바탕으로 여러 질문에 병렬로 답해, 토큰을 샘플링하지 않고도 후보 관련성 판단을 서로 비교 가능하게 한다.따라서 사전학습 언어 모델의 역량을 검색 선택에 적용하기에 적합하다.출처: §1 · p. 1
- DecisionRAG는 토큰을 생성하지 않고 한 번의 forward pass에서 각 단계의 후보를 공동 평가해, 넓은 범주의 말뭉치 구조부터 개별 구절까지 탐색한다.질의 시점에 첫 단계 검색기, 사전 계산된 인덱스, 과제별 학습이 필요 없다.출처: §1 · p. 2
- MultiDoc2Dial에서 13.8 R@1 points, Natural Questions에서 17.4 Hit@1 points: DecisionRAG는 과제별 학습 없이 8B 재순위화기를 사용한 dense retrieval보다 우수하다.2.68 million개의 Wikipedia 문단을 포함한 네 가지 벤치마크에서 검색 시간은 질의당 0.7–1.8초다.출처: §1 · p. 2
2. 관련 연구
기존 검색 접근법은 어휘 또는 임베딩 매칭, 재순위화, 에이전트 기반 검색, 계층적 표현을 사용하지만, 후보 집합 의존성과 순차적 토큰 생성에 따른 지연 등의 한계가 있다. DecisionRAG는 계층적 검색과 비생성 방식의 관련성 판단을 결합한다.
2. 관련 연구
- 재순위화기는 순위를 개선하지만 초기 검색 단계에서 확보한 후보 재현율의 한계에 묶인다. cross-encoder는 쌍의 점수를 매기고, LLM 재순위화기는 순위를 생성하거나 반복적으로 선택한다.인용된 접근법에는 순열 생성과 후보 하위 집합에서의 선택이 포함된다.출처: §2 · p. 2
- 에이전트 기반 및 LLM 유도 계층적 방법은 반복적으로 탐색하지만, 각 단계에서 토큰을 순차적으로 생성하면 여러 차례에 걸쳐 상당한 지연이 발생할 수 있다.관련 접근법으로 MemWalker, PageIndex, LATTICE가 있다.출처: §2 · p. 2
- 그 밖의 관련 연구로는 학습된 트리 탐색, 밀집 계층 검색, 재귀적으로 요약한 계층 구조, 문서 수준의 맥락을 강조하는 방법이 있다.예시로 DocQN, RAPTOR, 밀집 계층 검색이 언급된다.출처: §2 · p. 2
2. Related Work
- DecisionRAG combines hierarchical retrieval with non-generative relevance judgments, avoiding both a first-stage candidate pool and token generation during branch evaluation.It uses existing document structure where available and constructs document groups otherwise.출처: §2 · p. 2
2. 관련 연구
- BM25와 밀집 검색은 질의어 또는 임베딩을 매칭하는 반면, DecisionRAG는 계층 후보를 함께 평가해 상위-k 문서를 남긴 다음 상위-r 문단을 남기며, 가지치기된 문서는 더 이상 확장하지 않는다.그림 설명에서는 BM25 용어 빈도, IDF 값, 점수, 순위를 예시로 표시한다.출처: Figure 2 · p. 3
3. 방법
DecisionRAG는 검색을 계층형 코퍼스에서 passage를 찾는 문제로 모델링하고, 공유된 맥락에서 내리는 판단을 이용해 그 구조를 탐색한다. 여러 단계에 걸쳐 검색 범위를 좁히며, 최종 순위는 선택적으로 재조정할 수 있다.
3.1. 문제 정식화
- 코퍼스는 leaf에 passage가 있고, 내부 노드에는 점차 더 넓은 그룹이 있으며, 각 노드에 짧은 설명이 붙는 트리로 모델링된다.출처: §3.1 · p. 3
3.2. 의사결정 모델을 이용한 관련성 판단
- 공유된 맥락에서 병렬 이진 판단은 후보별로 점수를 매기는 반면, 다중 선택 판단은 선택지들을 서로 경쟁하는 대안으로 평가한다.출처: §3.2 · p. 3
3.3. 계층적 검색
- DecisionRAG는 단계별로 검색 범위를 좁히고, 유망한 분기는 남기는 한편 자손 노드를 평가하지 않는 후보는 가지치기한다.출처: §3.3 · p. 4
- 이 절차는 이진 판단으로 문서를 선별하고, 남겨진 문서 내 passage에 점수를 매기며, 다중 선택 판단으로 상위 passage의 순위를 선택적으로 재조정할 수 있다.출처: §3.3 · pp. 4–5
- 가지치기는 되돌릴 수 없으므로, 검색 예산은 재현율을 우선하고 탐색 범위와 비용 사이에서 절충한다.출처: §3.3 · p. 5
3.4. 계층 구성과 확장성
- 상위 계층은 기존 코퍼스 구조나 오프라인 문서 군집화를 활용할 수 있으며, 균일할 필요는 없다.출처: §3.4 · p. 5
3.4. Hierarchy Construction and Scaling
- Although DecisionRAG needs no first-stage retriever, dense-retriever passages can be added to recover evidence discarded during pruning.출처: §3.4 · p. 5
3.4. 계층 구성과 확장성
- 지연 시간은 코퍼스 크기가 아니라 계층 깊이에 좌우되지만, 분석적 상한은 총 연산량이 아닌 순차적 깊이에 관한 것이다.출처: §3.4 · p. 5
4. 실험 설정
DecisionRAG는 데이터셋별 계층 구조와 설정을 사용해 네 가지 검색 벤치마크에서 평가한다. 설정에서는 검색, 재순위화, 답변 품질, 비용 및 지연 시간 지표를 사용해 기존 검색 및 재순위화 기준선을 비교한다.
4.1. 데이터셋 및 코퍼스 구성
- 네 가지 벤치마크는 목표 지향 대화, 시나리오 기반 질문, 대화형 기술 문서 검색, 오픈 도메인 검색을 포괄한다.Natural Questions는 DAPR 버전을 사용하며, 벤치마크에는 MultiDoc2Dial, ConditionalQA, MTRAG도 포함된다.출처: §4.1 · p. 5, Table 1 · p. 6
- Natural Questions의 페이지는 1,000개 그룹으로 군집화하며, 나머지 세 데이터셋은 기존 문서 구조와 메타데이터를 바탕으로 계층 구조를 구성한다.각 Natural Questions 군집에는 페이지 제목을 바탕으로 생성한 한 문장 요약이 부여된다.출처: §4.1 · p. 6
4.2. 검색 설정
- 대화형 벤치마크에서는 마지막 여섯 개 대화 턴과 메모장을 사용하며, 최종 순위는 상위 20개 문단을 대상으로 산출한다. 단, Natural Questions에서는 상위 다섯 개를 대상으로 한다.MultiDoc2Dial은 상위 열 개 페이지를, ConditionalQA는 세 페이지를 유지하며, MTRAG와 Natural Questions는 각각 별도의 단계별 페이지 및 제목 또는 군집 예산을 사용한다.출처: §4.2 · p. 6
- 데이터셋마다 탐색 경로가 다르다: 도움말 센터→페이지→문단, 페이지→문단, 페이지→제목→문단, 또는 군집→페이지→문단.각 경로는 차례대로 MultiDoc2Dial, ConditionalQA, MTRAG, Natural Questions에 해당한다.출처: §4.2 · p. 6
4.3. Baselines
- Baselines include first-stage lexical and dense retrieval, rerankers, and published reference results; the published results are not rerun under this evaluation setup.Rerankers are applied to dense-retrieved candidates; the baseline set also includes GPT-5 reranking.출처: §4.3 · p. 6
4.4. 평가 지표 및 프로토콜
- 평가에서는 기존 검색 지표, 후속 답변 품질, 쌍체 부트스트랩 95% 구간, 질의당 비용, 온라인 지연 시간을 보고한다.공통 Qwen3.5-27B 생성기는 각 시스템의 상위 다섯 개 문단을 바탕으로 답변하며, MTRAG의 답변 수용 여부는 LLM이 판정한다.출처: §4.4 · pp. 6–7
5. 결과
Without task-specific training or a conventional first-stage retriever, DecisionRAG improves retrieval over dense retrieval with an 8B reranker on MultiDoc2Dial and Natural Questions. The results also cover downstream answers, task-trained judges, and measured latency and cost.
5.1. 검색 효과
- 태스크별 학습이나 기존 검색 인덱스 없이도 DecisionRAG는 8B 재순위화 모델을 사용한 dense retrieval보다 크게 높은 성능을 보이며, MultiDoc2Dial R@1은 13.8퍼센트포인트, Natural Questions Hit@1은 17.4포인트 향상된다.출처: §5.1 · p. 7
- GPT-5 재순위화와 비교하면 DecisionRAG는 MultiDoc2Dial과 Natural Questions에서 비슷하거나 더 높은 1위 정확도를 보이는 반면, ConditionalQA Hit@1에서는 GPT-5가 73.4 대 69.7로 앞선다.DecisionRAG는 MTRAG에서 최선의 기준 모델보다 높은 R@5 34.2 대 32.5도 기록한다. dense 후보를 추가하면 MultiDoc2Dial, ConditionalQA, Natural Questions의 R@10이 향상된다.출처: §5.1 · p. 7
5.2. 검색 증강 생성
- MTRAG에서 판단된 답변 정확도는 Qwen3-Reranker의 39.4%에서 44.1%로 상승하며, dense 후보를 추가하면 47.3%에 이른다. GPT-5 재순위화는 34.0%다.dense 후보 설정은 Natural Questions에서 54.8%, ConditionalQA에서 47.6%의 exact match도 달성한다.출처: §5.2 · p. 7, Table 3 · p. 7
5.3. 검색 판단 모델 학습
- MultiDoc2Dial에서 60.7 R@1을 기록해, 태스크 학습을 거친 Qwen3-8B decision model은 가장 성능이 높은 기존 태스크 학습 검색기보다 5.7포인트 앞선다.이 프레임워크는 사전 학습된 Jev 모델에 더해 태스크별 적응을 적용할 수 있다.출처: §5.3 · p. 8, Table 4 · p. 8
5.4. 지연 시간과 비용
- 쿼리당 0.68–1.76초: 측정된 서빙 설정에서 DecisionRAG는 Qwen3-Reranker-8B를 사용한 dense retrieval 및 GPT-5 재순위화보다 빠르다.API 비용은 MultiDoc2Dial의 쿼리당 0.22¢에서 Natural Questions의 2.33¢까지다. 측정된 지연 시간은 Natural Questions에서 1.73초, MTRAG에서 1.76초다.출처: §5.4 · p. 8, Table 5 · p. 8
6. DecisionRAG 이해하기
분석에서는 공유 맥락에서의 판단, 순위화 방식, 탐색 예산이 DecisionRAG의 검색 품질과 효율성에 미치는 영향을 살펴본다. 또한 결정 기반 탐색을 생성 및 재순위화와 비교한다.
6.1. 공유 맥락에서 후보 점수화
- 후보 1,000개에서 Hit@1 53.7%: 공유 맥락에서의 판단은 독립 점수화보다 성능이 높고, 이진 방식으로 상위 255개를 고른 뒤 다중 선택 순위화를 적용해도 이점이 상당 부분 유지된다. 선택된 페이지의 문단을 함께 점수화하면 MultiDoc2Dial R@1이 36.7%에서 44.4%로 오른다.Figure 5는 후보 풀이 커질 때 Hit@1이 어떻게 변하는지 보여준다. MultiDoc2Dial의 향상 폭은 +7.7포인트다(95% CI: [3.3, 12.2]).출처: §6.1 · p. 8, Figure 5 · p. 8
6.2. 요청 크기
- Hit@1 60.6%: 후보 200개 전체를 다중 선택 방식으로 순위화하면 후보 200개 전체에 대한 이진 판단보다 6.8포인트 높다. 한편 요청당 후보 50개로 이진 점수화를 하면 54.3%에 이른다.Figure 6은 후보 풀을 200개로 고정하고 요청 크기를 바꿔 비교한다. 이진 점수화에서는 후보를 약 50개 넘게 요청해도 성능 향상이 미미하다.출처: §6.2 · pp. 8–9, Figure 6 · p. 9
6.3. 결정과 생성 비교
- 토큰 단위 생성은 일관된 정확도 향상을 가져오지 않는다. GPT-5는 ConditionalQA에서 DecisionRAG보다 Hit@1이 4.1포인트 높지만, Natural Questions에서는 6.0포인트 낮다. 또한 속도는 34 to 145배 느리고 비용은 21 to 25배 더 든다.비교에서는 DecisionRAG의 계층 구조와 예산을 고정한다.출처: §6.3 · p. 9, Table 6 · p. 9
6.4. 다중 선택 순위화는 검색 성능을 높이는가?
- 다중 선택 순위화를 적용하면 MultiDoc2Dial R@1은 50.1%에서 51.3%로, ConditionalQA Hit@1은 71.9%에서 76.5%로 향상된다. 추가 요청에는 0.12–0.15초가 걸리고 API 비용은 4–33% 증가한다.Table 7은 후보 풀과 앞선 이진 판단을 고정한 상태에서 다중 선택 순위화 적용 여부에 따른 구성을 비교한다.출처: §6.4 · p. 9, Table 7 · p. 9
6.5. 탐색과 재순위화 비교
- 탐색은 밀집 검색 후보를 재순위화하는 방식보다 ConditionalQA에서 Hit@1이 7.7포인트, Natural Questions에서 7.0포인트 높다. MultiDoc2Dial에서는 관련 문단을 70.1%의 비율로 첫 번째에 배치해, 재순위화 방식의 61.9%보다 높다.저자들은 문단을 따로 읽기보다 페이지 전체를 순서대로 읽는 방식이 차이를 설명할 수 있다고 제안한다.출처: §6.5 · pp. 9–10, Table 8 · p. 10
6.6. Navigation Budget and Hierarchy
- Keeping 15% of Natural Questions’ clusters matches flat-scoring Recall@10, 86.2% versus 84.5%, at a fifth of the cost and a third of the latency; at 1% recall falls to 63.7%.Figure 7 compares cluster budgets; increasing MultiDoc2Dial’s retained pages from three to ten raises R@10 from 81.0% to 83.6%, but R@1 only from 46.9% to 47.4%, with 83% higher API cost and 28% higher median latency.출처: §6.6 · p. 10, Figure 7 · p. 10, Table 9 · p. 10
7. 한계
DecisionRAG는 결정 모델이 관련 분기를 식별할 수 있도록 구조와 노드 설명을 갖춘 코퍼스 계층에 의존한다.
7. 한계
- 체계가 미흡한 문서나 정보성이 낮은 설명은 검색 성능을 저하시킬 수 있으며, 조상 분기가 제거되면 비가역적 가지치기로 관련 구절도 버려질 수 있다.탐색 예산을 늘리고 상호 보완적인 dense retrieval을 활용하면 누락된 구절을 줄일 수 있다.출처: §7 · p. 10
8. 결론
DecisionRAG는 생성 없이 후보를 공통 맥락에서 함께 평가하며 말뭉치 계층을 탐색해 검색한다. 균형 잡힌 계층에서는 순차적 의사결정 횟수가 말뭉치 크기에 대해 로그 규모로 증가한다.
8. 결론
- 균형 잡힌 계층에서 검색에 필요한 순차적 의사결정 횟수는 말뭉치 크기에 대해 로그 규모로만 증가한다.후보를 공통 맥락에서 함께 평가하고, 검색 공간을 점진적으로 좁힌다.출처: §8 · p. 10
A. 데이터셋 및 코퍼스 세부 정보
평가는 구조가 서로 다른 네 코퍼스를 대상으로 하며, 후보가 각 코퍼스에서 어떻게 표현되고 탐색되는지 설명한다. 구성은 평가 세트와 분리된 설계 세트에서 선택하며, Jev의 매개변수는 갱신하지 않는다.
A.1. MultiDoc2Dial
- MultiDoc2Dial은 4,110개 passage에 대해 도움말 센터–페이지–passage 계층 구조를 사용하며, 검증 대화 661개에서 4,201개 발화를 평가한다.테스트 분할에는 평가에 사용할 수 있는 예시가 없다.출처: §A.1 · p. 14
A.2. ConditionalQA
- ConditionalQA는 영국 정부 가이드 652개에 포함된 문단 58,483개를 검색하며, 개발 질문 285개를 평가한다. 이 중 271개에는 주석이 달린 근거가 있다.관련 가이드가 주어졌다고 가정하지 않으며, 근거 레이블이 있는 질문마다 평균 약 네 개의 문단이 있다.출처: §A.2 · p. 14
A.3. MTRAG–IBM Cloud
- MTRAG의 IBM Cloud 하위 집합은 페이지 8,578개와 passage 72,442개로 구성되며, 페이지는 제품 172개로 묶인다. 평가는 발화 205개를 대상으로 하며, 이 중 188개에 레이블이 있다.확장된 관련성 판단에는 기존 정답 데이터에 더해 LLM이 관련 있다고 판단한 passage가 포함되어 ELSER의 검색 세션에 대한 의존도를 낮춘다.출처: §A.3 · p. 14
A.4. Natural Questions
- Natural Questions는 Wikipedia 문단 2,682,017개를 사용하며, 질문 500개의 무작위 표본으로 평가하고 페이지를 그룹 1,000개로 군집화한다.각 질문의 정답 문단은 하나의 페이지에 있으며, 그룹 설명은 페이지 제목으로 생성한다.출처: §A.4 · p. 14
A.5. 설계 세트와 구성 선택
- 구성 선택에는 평가 세트와 겹치지 않는 설계 세트를 사용하며, MTRAG에는 학습 분할이 없으므로 합성 대화와 MTRAG-UN 대화도 포함한다.선택 과정에서 Jev의 매개변수는 갱신하지 않는다.출처: §A.5 · p. 15
B.1. 후보 표현 및 질문
- 각 단계에서 판정기는 질의, 번호가 매겨진 후보 설명, 후보마다 하나씩의 예/아니요 질문을 받는다. 대화형 질의에는 최근 발화 여섯 개가 포함된다.후보는 문서 순서대로 제시되며, 해당하는 경우 상위 페이지별로 묶인다. 각 단계에는 이전 단계의 확률을 포함하지 않는 새 문맥이 주어진다.출처: §B.1 · p. 15
B.2. MultiDoc2Dial 및 대화형 메모장
- MultiDoc2Dial은 점수가 가장 높은 도움말 센터를 유지하고, 조건에 따라 대안을 남긴 뒤 페이지와 passage의 점수를 매긴다. 검색으로 구성한 메모장에는 최근 검색된 페이지를 기록한다.메모장은 정답 근거가 아니라 시스템 자체의 판단을 사용하며, 이전 passage에 표시하거나 이를 제외하지 않는다.출처: §B.2 · p. 15
B.3–B.6. 코퍼스 탐색 및 최종 순위
- ConditionalQA는 모든 가이드의 점수를 매겨 세 개를 남긴다. MTRAG는 초기 페이지 후보 목록의 점수를 공유 문맥에서 재조정하고, passage가 60개를 초과하는 페이지에는 제목 단계도 추가한다.Natural Questions에서는 문단의 점수를 매기기 전에 군집 설명과 페이지 제목을 통해 검색을 유도한다. 문단 확률에는 해당 페이지의 확률을 곱한다. 최종 객관식 순위는 상위 후보 20개를 사용하며, Natural Questions에서는 상위 다섯 개를 사용한다.출처: §B.3 · p. 15, §B.4 · p. 15, §B.5 · pp. 15–16
C. 전체 벤치마크 결과
전체 벤치마크 결과는 DecisionRAG를 검색 및 재순위화 시스템과 비교하며, 보충 분석에서는 MTRAG 비교와 shared-context ablation을 보고한다. 제공된 구절에는 벤치마크별 전체 표 값이 없다.
C. 전체 벤치마크 결과
- DecisionRAG의 MTRAG R@5는 공개된 ELSER보다 7.6포인트, 마지막 턴 SPLADE-v3보다 6.8포인트, 6턴 Qwen3-Reranker보다 5.8포인트 높다.보고된 95% 구간은 각각 [2.2, 13.1], [1.9, 12.3], [1.9, 9.6]이며, 마지막 턴 Qwen3-Reranker와 GPT-5 재순위화보다도 앞선다.출처: Table 12 · p. 17, C. Full Benchmark Results · p. 17
C.1. 검색 증강 생성
- 검색 증강 생성 설정에서는 Qwen3.5-27B가 시스템별 순위에 따라 정렬된 패시지를 바탕으로 답한다.Natural Questions의 답변은 다섯 단어로 제한된다. MTRAG 응답은 패시지에 답이 없을 때 이를 표시하며, 모델이 답변의 정확성을 판정한다.출처: §C.1 · pp. 17–18
D.1. 공유 맥락과 대화 메모리
- 메모장을 추가하면 MultiDoc2Dial R@1이 대화 쌍 기준으로 4.0포인트 상승하며, 메모장을 사용한 shared scoring은 separate scoring보다 7.7포인트 높다.차이는 대화 전체를 재표집해 계산했으며, 보고된 구간은 [0.7, 8.0] 및 [3.3, 12.2]이다.출처: §D.1 · p. 18, Table 13 · p. 18
D.2. 남은 검색 오류
남은 분석에서는 검색 오류를 살펴보고 관련성 및 중복 처리 방식을 검증하며 지연 시간을 측정한다. 결과에는 페이지 예산 확대에 대한 민감도와 더 빠른 MTRAG 페이지 점수화 설정이 포함된다.
D.2. 남은 검색 오류
- 탐색이 관련 페이지에 도달해도 문단 순위화는 여전히 상당한 오류 원인이다. ConditionalQA에서 근거 레이블이 있는 질문의 9.6%는 첫 결과가 다른 페이지에 속한다.정답 페이지가 주어진 경우 MultiDoc2Dial passage 점수화는 62.7 R@1과 94.3 R@5를 기록한다. ConditionalQA에서도 정답 페이지의 다른 문단이 13.7%에서 첫 번째로 순위화된다.출처: §D.2 · p. 18
D.3. Dense 후보와 객관식 순위화
- 페이지 예산을 늘리면 추가 dense 후보와 객관식 순위화로 MultiDoc2Dial R@1은 최대 +0.6, ConditionalQA Hit@1은 최대 +4.2 향상된다.MultiDoc2Dial의 모든 구간에는 0이 포함되며, 비교에는 설계 세트와 각 세트의 주 평가 지표를 사용한다.출처: §D.3 · p. 18, Table 14 · p. 19
E. 평가 민감도 — 동일한 문단
- 텍스트 매칭을 적용하면 MultiDoc2Dial R@1은 DecisionRAG에서 55.8, dense 후보를 사용했을 때 57.0으로 높아진다. 반면 Qwen3-Reranker를 사용한 dense retrieval은 40.3이다.시스템 순서는 바뀌지 않는다. 중복 문단은 정규화된 텍스트를 기준으로 묶어 중복 사본이 여러 번 적중하지 않도록 한다.출처: §E.1 · p. 19
E.2. DAPR 관련성 판정 기준 ConditionalQA
- DAPR 관련성 판정에서 DecisionRAG는 dense retrieval과 Qwen3-Reranker의 조합보다 nDCG@10에서 +5.3점, GPT-5보다 +4.0점 높은 성능을 보인다.DecisionRAG의 DAPR R@10은 GPT-5보다 +8.2 높으며, dense 후보를 사용했을 때 nDCG@10은 71.2다.출처: §E.2 · p. 19
F. 지연 시간과 비용
- 요청당 최대 10k tokens로 제한한 MTRAG 페이지 패스를 사용하면 R@5나 nDCG@5의 감지 가능한 변화 없이 중앙 지연 시간이 3.09초에서 1.76초로 줄어든다.홀드아웃된 188개 턴에서 쌍별 차이는 −0.7점과 −0.2점이며, 구간에는 0이 포함된다. 하드웨어와 표본이 다르므로 보고된 시스템 지연 시간 비율은 통제된 속도 향상 수치가 아니다.출처: F. Latency and Cost · pp. 19–20, Table 15 · p. 20
- DecisionRAG는 문단을 인코딩하지 않는다. 온라인 측정에서는 오프라인 인덱싱을 제외하며, dense 후보 행의 경우 dense 인코딩과 검색도 제외한다.Natural Questions에서만 오프라인 계층 구축 단계를 거친다. 클러스터링을 위해 페이지 제목과 첫 문장을 임베딩하고, 클러스터 설명을 생성한다.출처: F. Latency and Cost · pp. 19–20
G. 오픈 웨이트 판정기 학습
오픈 웨이트 DecisionRAG 판정기는 공유된 맥락에서 후보 분기를 예/아니요 선택지로 점수화하며, 검색 데이터로 학습하면 평가 범위가 서로 다른 체크포인트가 생성된다. LoRA 체크포인트는 두 데이터셋 모두에서 평가되며, MultiDoc2Dial 전용 체크포인트는 MultiDoc2Dial 재현율이 더 높다.
G. 오픈 웨이트 판정기 학습
- 공유된 맥락 뒤에 각 후보를 예/아니요 질문으로 제시하고, 점수화 헤드는 질문과 선택지의 유사도로 P(yes)를 추정한다.후보 질문들은 서로를 참조할 수 없으며, 헤드는 softmax로 선택지 점수를 정규화한다.출처: G. Open-Weight Judge Training · p. 20
- 일반 모델은 공개 객관식 및 분류 데이터로 학습하며, 정답 선택지와 데이터셋의 오답 선택지 또는 표본 추출한 클래스 레이블을 사용하고 MultiDoc2Dial이나 ConditionalQA 데이터는 사용하지 않는다.학습 데이터 혼합에는 독해, 과학 및 상식 QA, 추론, 분류, 대화, 도구 사용, 웹 탐색 의사결정이 포함된다.출처: G. Open-Weight Judge Training · p. 21
- 검색 예시는 탐색 단계에 따라 생성된다. MultiDoc2Dial에서는 라우팅, 페이지, 지문 단계를 사용하고, ConditionalQA에서는 추론 입력과 일치하도록 구성된 페이지 및 문단 후보를 사용한다.ConditionalQA 페이지 예시에는 652개 페이지가 모두 포함되며, 문단 예시는 후보 페이지 다섯 곳의 문단을 다룬다.출처: G. Open-Weight Judge Training · p. 21
- 보고된 8B 학습 모델은 LoRA와 완전히 학습된 헤드를 사용하며, MultiDoc2Dial 대화 표본과 ConditionalQA 학습 예시 전체를 대상으로 한 에포크 동안 학습했다.모델은 일반 8B 체크포인트에서 이어서 학습한다. 설명된 검색 데이터 실행에서는 길이가 지나치게 긴 지문 단계 기록을 잘라내지 않고 제외한다.출처: G. Open-Weight Judge Training · p. 21
- 두 데이터셋 모두에서 평가되는 것은 LoRA 체크포인트뿐이며, MultiDoc2Dial 전용 체크포인트는 MultiDoc2Dial 재현율이 더 높다.Table 17에는 오픈 웨이트 판정기 결과가 보고되어 있다.출처: G. Open-Weight Judge Training · p. 21, Table 17 · p. 21
Related papers
This paper cites
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks2020
- Retrieval-Augmented Generation for Large Language Models: A Survey2023
- Qwen3 Embedding: Advancing Text Embedding and Reranking Through Foundation Models2025
- Unsupervised Dense Information Retrieval with Contrastive Learning2021
- Is ChatGPT Good at Search? Investigating Large Language Models as Re-Ranking Agents2023