논문
EvoDuet: Bilevel Co-Evolution of Web Searching and Task Solving for Scientific Discovery
LLM의 지식 공백을 해결하기 위해 솔루션 생성과 검색 쿼리를 동시에 최적화하는 이중 루프 진화 알고리즘
논문이 다루는 내용
LLM 기반의 진화적 탐색은 모델이 보유하지 않은 외부 지식이 필요할 때 성능 정체 현상을 겪습니다. 단순히 웹 검색 도구를 추가하는 방식은 솔루션이 변함에 따라 반복적인 검색 결과만 가져오는 문제가 있습니다. 이를 해결하기 위해 EvoDuet은 고정된 모델 파라미터 하에서 솔루션과 검색 쿼리를 공동 진화시키는 이중 레벨 최적화 방식을 제안합니다. 내부 루프는 쿼리 정제와 문서 랭킹을 담당하고, 외부 루프는 문서 기반 후보 생성 및 결과 기록을 수행합니다. 실험 결과, EvoDuet은 다양한 최적화 태스크에서 기존 SOTA 기록을 경신하며 뛰어난 성능 향상을 입증했습니다.
핵심 결과
-
솔루션과 검색 쿼리를 상호 보완적으로 최적화하는 이중 루프(Bi-level) 구조
-
모델의 지식 공백을 판단하여 검색 여부를 결정하는 리트리벌 게이트(Retrieval Gate) 도입
-
기존 진화적 탐색 프레임워크(Top-K, EvoX 등)와 결합 가능한 범용성
실무에서 볼 만한 점
에이전트가 스스로 무엇을 모르는지 판단하고, 문제 해결에 필요한 최적의 정보를 검색하도록 하는 지능형 RAG 워크플로우 설계에 영감을 줍니다.
읽을 때 확인할 점
-
특정 도메인 지식이 필요한 복잡한 코딩/수학 문제에 EvoDuet 프레임워크 적용 테스트
-
기존 RAG 시스템의 검색 쿼리 생성 로직을 이중 루프 구조로 교체 실험
-
모델 크기(Small vs Large)에 따른 검색-생성 루프의 효율성 비교