[논문리뷰] Explore to Evolve: Scaling Evolved Aggregation Logic via Proactive Online Exploration for Deep Research Agents

링크: 논문 PDF로 바로 열기

저자: Jianshu Zhang, Jun-Yu Ma, Ce Zhang, Rui Wang, tqfang229

핵심 연구 목표

기존 웹 에이전트 시스템들이 정보 탐색 기능에만 중점을 두고 정보 집계 능력을 간과하여 심층적인 연구 결과 생성을 제한하는 문제를 해결하고자 합니다. 복잡한 정보 집계 능력을 갖춘 웹 에이전트 훈련을 위한 검증 가능한 대규모 훈련 데이터셋 을 자동으로 구축 하고, 이를 통해 에이전트의 정보 집계 역량 을 강화하는 것이 주된 목표입니다.

핵심 방법론

웹 에이전트 훈련 데이터를 자동으로 생성하기 위해 Explore to Evolve 패러다임을 제안합니다. 이는 Proactive Online Web Exploring 을 통해 실제 웹에서 관련 정보를 수집하고, 수집된 증거를 바탕으로 Automatic Aggregation Logic Synthesis 를 통해 12가지 고수준 논리 유형에서 연산들을 선택, 조합, 정제하여 검증 가능한 QA 쌍을 합성하는 과정으로 이루어집니다. 이 방식으로 WebAggregatorQA 데이터셋을 구축했으며, SmolAgents 프레임워크와 Qwen3 시리즈 를 기반으로 WebAggregator 모델을 훈련했습니다.

주요 결과

훈련된 WebAggregator-8B 모델 은 GAIA-text 에서 GPT-4.1 과 동등한 성능을 보였으며, 32B 모델 은 GAIA-text 에서 GPT-4.1보다 10% 이상 뛰어난 성능을 달성했습니다. 특히, 새로 구축된 WebAggregatorQA 테스트 세트 에서는 Claude-3.7-sonnet 이 28.3% , GPT-4.1 이 25.8% 를 기록하며, 해당 벤치마크가 현재 웹 에이전트의 정보 집계 능력에 상당한 도전 과제를 제시함을 입증했습니다.

AI 실무자를 위한 시사점

본 연구는 웹 에이전트가 단순 정보 탐색을 넘어 복잡한 정보 집계 능력 을 갖추어야 함을 강조합니다. 자동으로 생성된 고품질 WebAggregatorQA 데이터셋 은 실제 웹 환경에서의 다단계 추론 및 집계 작업 훈련에 유용하며, 소형 파운데이션 모델(WebAggregator) 이 상업용 대규모 모델과 경쟁하는 성능을 보여줌으로써 리소스 효율적인 웹 에이전트 개발 의 가능성을 제시합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.