Search More, Think Less: Rethinking Long-Horizon Agentic Search for Efficiency and Generalization

이 논문은 추론 깊이를 확장하는 대신 증거 수집을 병렬화하고 통합 데이터 합성 파이프라인을 도입하여 효율성과 일반화 능력을 동시에 개선한 'Search More, Think Less(SMTL)' 프레임워크를 제안하며, 이를 통해 다양한 벤치마크에서 최첨단 성능을 달성하고 추론 단계를 대폭 줄였음을 보여줍니다.

핵심

1. 문제: "생각만 너무 많이 하는 AI"

지금까지의 최신 AI 연구 에이전트들은 문제를 풀 때 "한 번에 하나씩, 아주 깊이 생각하며" 정보를 찾아냈습니다. 마치 도서관에서 책을 찾을 때, 한 권을 꺼내 읽어보고, 다시 책장을 넘겨서 다음 책을 찾는 식이죠.

• 단점: 이렇게 하면 시간이 너무 많이 걸리고 (지연), 컴퓨터 비용도 비싸집니다. 게다가 한 가지 방식에 익숙해진 AI 는 새로운 유형의 문제를 만나면 당황하기 쉽습니다.

2. 해결책: "SMTL (검색은 많이, 생각은 적게)"

이 논문은 **"한 번에 여러 가지 정보를 동시에 찾아보자"**는 아이디어를 제안합니다.

🍕 비유: 피자를 만드는 방식의 변화

• 기존 방식 (Sequential): 요리사가 반죽을 치대고, 토핑을 다듬고, 오븐을 예열하고, 피자를 굽는 순서대로 하나씩 합니다. 중간에 실수하면 처음부터 다시 해야 할 수도 있습니다.
• SMTL 방식 (Parallel): 요리사 한 명이 아니라 여러 명의 보조 요리사를 부릅니다. 한 사람은 반죽을 치대고, 한 사람은 토핑을 다듬고, 한 사람은 오븐을 예열합니다. 모든 일을 동시에 진행하죠.
  • 결과: 피자가 훨씬 빨리 완성되고, 요리사 (AI) 가 머리를 싸매고 고민할 시간도 줄어듭니다.

3. 핵심 기술 3 가지

① 동시 작업 (Parallel Execution)

AI 는 문제를 풀 때 "먼저 A 를 찾고, 그다음 B 를 찾아야지"라고 순서대로 생각하지 않습니다. 대신 **"A, B, C 를 동시에 찾아보자!"**라고 계획을 세우고, 여러 개의 창을 열어 동시에 정보를 수집합니다.

• 효과: 필요한 정보를 훨씬 빠르게 모을 수 있어, 전체 작업 시간이 70% 이상 단축됩니다.

② 만능 데이터 공장 (Unified Data Pipeline)

AI 를 가르치려면 좋은 예제 (데이터) 가 필요합니다. 기존에는 '정답이 있는 퀴즈'와 '자유로운 에세이'를 가르치는 방식이 달랐습니다.

• SMTL 의 접근: 하나의 공장에서 두 가지 종류의 데이터를 모두 만듭니다.
  • 퀴즈형: "누가 2024 년 올림픽 금메달을 땄나요?" (정답이 명확함)
  • 연구형: "최근 기후 변화가 농업에 미치는 영향을 분석해 주세요." (정답이 없으며 종합적 사고 필요)
  • 이 두 가지를 섞어서 가르치니, AI 가 어떤 상황에서도 유연하게 대처할 수 있게 됩니다.

③ 지능적인 메모리 관리 (Context Management)

AI 는 한 번에 많은 정보를 기억할 수 있는 '메모리'가 제한되어 있습니다. 긴 작업을 하다 보면 메모리가 꽉 차서 중요한 정보를 잊어버릴 수 있습니다.

• SMTL 의 해결책: 메모리가 꽉 차기 전에, AI 는 "지금까지 한 일을 요약해서 핵심만 남기고 나머지는 버리는" 작업을 주기적으로 합니다. 마치 책상 위를 정리하듯, 불필요한 서류는 치우고 중요한 파일만 남겨두는 것입니다.

4. 실제 성과: 얼마나 좋을까요?

이 기술을 적용한 AI 는 여러 시험에서 최고의 점수를 받았습니다.

• 속도: 같은 문제를 풀 때, 기존 AI 가 200 번의 검색을 해야 한다면, 이 AI 는 60 번 정도만 검색해도 더 좋은 결과를 냅니다.
• 정확도: 복잡한 웹 검색 문제 (BrowseComp) 에서 48.6% 의 정확도를 기록하며, 기존 최고 성능 모델들을 앞질렀습니다.
• 유연성: 단순한 사실 확인부터 긴 보고서 작성까지, 다양한 종류의 문제에서 모두 잘합니다.

5. 결론: 왜 이것이 중요한가요?

이 논문은 **"무조건 깊게 생각하게 만드는 것보다, 효율적으로 정보를 수집하게 만드는 것이 더 중요하다"**는 것을 증명했습니다.

마치 탐정을 예로 들면:

• 구식 탐정: 한 가지 단서를 쫓아 10 시간 동안 혼자 고민하다가 실수할 수도 있습니다.
• SMTL 탐정: 팀원들에게 "A 지점, B 지점, C 지점을 동시에 수색하라"고 지시하고, 중간중간 정보를 공유하며 빠르게 범인을 잡습니다.

이 기술은 앞으로 AI 가 더 많은 일을 처리하면서도, 우리가 기다리는 시간을 줄이고 비용을 아껴주는 미래의 핵심 기술이 될 것입니다.

---

한 줄 요약:

"AI 가 혼자 끙끙 앓으며 깊게 생각하기보다, 여러 갈래로 동시에 정보를 쫓아내게 함으로써 더 빠르고, 더 똑똑하며, 더 저렴하게 문제를 해결하는 새로운 방법입니다."

기술 요약

논문 요약: "Search More, Think Less: Rethinking Long-Horizon Agentic Search for Efficiency and Generalization"

이 논문은 OPPO AI Agent 팀에서 제안한 SMTL (Search More, Think Less) 프레임워크에 대한 연구입니다. 기존 심층 연구 에이전트 (Deep Research Agents) 가 직면한 추론 비용 과다 및 일반화 부족 문제를 해결하기 위해, 순차적 추론을 병렬 증거 수집으로 대체하는 새로운 접근법을 제시합니다.

---

1. 문제 정의 (Problem)

최근 심층 연구 에이전트들은 성능 향상을 위해 추론 깊이 (Reasoning Depth) 와 도구 호출 횟수를 늘리는 '스케일링' 전략을 주로 사용합니다. 그러나 이 방식은 다음과 같은 심각한 한계를 가지고 있습니다:

• 높은 추론 비용 및 지연 시간: 긴 추론 경로 (Long-horizon trajectories) 는 높은 계산 비용과 높은 지연 시간 (Latency) 을 초래합니다.
• 비효율적인 정보 수집: 에이전트가 외부 증거를 획득하는 대신 모델 내부에서 과도한 추론을 수행하며, 이는 정보 효율성을 떨어뜨립니다.
• 일반화 부족: 결정론적 질문 답변 (Deterministic QA, 예: BrowseComp) 과 열린 연구 과제 (Open-ended Research, 예: DeepResearch Bench) 는 최적화 목표가 완전히 다릅니다. 기존 에이전트는 한 환경에 특화되어 있어 다른 환경으로의 일반화가 어렵습니다.

2. 방법론 (Methodology)

저자들은 SMTL (Search More, Think Less) 프레임워크를 제안하며, 이는 효율성과 일반화를 동시에 달성하기 위해 설계되었습니다.

2.1 병렬 에이전트 워크플로우 (Parallel Agentic Workflow)

기존의 순차적 (Sequential) 추론 체인을 폐기하고 **병렬 증거 수집 (Parallel Evidence Acquisition)**을 도입했습니다.

• 작업 분해 (Decomposition): 복합적인 검색 작업을 상호 연관되지만 부분적으로 독립적인 하위 작업 (Subtasks) 집합으로 분해합니다.
• 병렬 실행: 여러 하위 작업을 동시에 실행하여 정보를 수집합니다. 각 단계에서 단일 도구가 아닌 여러 도구를 병렬로 호출하여 정보 밀도를 높입니다.
• 동적 계획 수정 (Dynamic Plan Refinement): 주기적으로 (예: 5 단계마다) 중간 결과를 동기화하고 계획 (Plan) 을 수정합니다. 완료된 작업은 제거하고 미해결 의존성을 재검토하여 새로운 하위 작업을 추가합니다.
• 구조화된 컨텍스트 관리: 제한된 컨텍스트 창 (Context Budget) 내에서 효율적인 추론을 위해, 계획 수정 시 이전 컨텍스트를 압축하거나 리셋하여 불필요한 토큰 소모를 방지합니다.

2.2 통합 데이터 합성 파이프라인 (Unified Data Synthesis Pipeline)

다양한 작업 유형에 대한 일반화를 위해 자동화된 데이터 생성 파이프라인을 구축했습니다.

• 그래프 기반 데이터 생성: TaskCraft 코퍼스를 기반으로 지식 그래프를 구성하고, 서브그래프를 추출하여 다중 홉 (Multi-hop) 관계를 가진 작업을 생성합니다.
• 두 가지 작업 유형 지원:
  1. Deep Search: 명확한 정답이 있는 결정론적 질문 (BrowseComp 등).
  2. Deep Research: 단일 정답이 없는 열린 연구 질문 (DeepResearch Bench 등).
• 품질 필터링: 생성된 궤적 (Trajectory) 에 대해 규칙 기반 필터링과 LLM-as-a-Judge 를 통한 심층적 평가 (포괄성, 통찰력, 지시 준수, 가독성) 를 적용하여 고품질 학습 데이터를 확보합니다.

2.3 학습 전략 (Training Recipe)

• 지도 미세 조정 (SFT): DeepSeek-V3.2 와 GPT-5 에서 생성된 고품질 궤적을 증류 (Distillation) 하여 에이전트를 초기화합니다.
• 강화 학습 (RL): RLOO (Reinforce Leave-One-Out) 알고리즘을 변형하여 적용합니다. 환경 오류나 과도하게 긴 응답은 부정적 궤적으로 필터링하고, 최종 정답 여부에 기반한 보상 (Outcome-based Reward) 을 통해 최적화합니다.

3. 주요 기여 (Key Contributions)

1. 병렬 에이전트 워크플로우: 순차적 추론을 병렬 증거 수집으로 대체하여 제한된 컨텍스트 예산 하에서 효율적인 장기 추론을 가능하게 하는 통합 프레임워크 제안.
2. 일반화된 데이터 구축: 결정론적 QA 와 열린 연구 시나리오를 모두 아우르는 자동화된 데이터 파이프라인을 통해 에이전트의 일반화 능력을 향상시킴.
3. 최고 수준의 성능: 다양한 벤치마크에서 SOTA(최고 성능) 를 달성하면서도 추론 단계 수와 지연 시간을 획기적으로 감소시킴.

4. 실험 결과 (Results)

SMTL 은 다양한 벤치마크에서 기존 모델들을 압도하는 성능을 보였습니다.

• 성능 지표 (SMTL-100 기준):
  • BrowseComp: 43.6% (기존 오픈소스 모델 중 SOTA, MiroThinker-v1.0 보다 2.4%p 높음).
  • GAIA: 74.8%.
  • Xbench-DeepSearch: 80.0%.
  • DeepResearch Bench: 종합 점수 45.9% (Tongyi-DeepResearch-30B 보다 우세).
• 효율성 향상:
  • 단계 수 감소: MiroThinker-v1.0 대비 BrowseComp 에서 평균 추론 단계 수를 70.7% 감소시켰습니다 (약 206 단계 → 60 단계).
  • 병렬성: 각 단계당 평균 3.5 개의 도구 호출을 수행하여 정보 밀도를 높였습니다.
  • 지연 시간: 추론 단계 감소로 인해 최대 2.6 배의 지연 시간 단축 효과를 얻었습니다.
• 파레토 최적 (Pareto Dominance): 정확도 대 상호작용 단계 수 그래프에서 SMTL 은 다른 모든 모델보다 우월한 효율성 곡선을 형성합니다.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 "더 깊이 생각하기 (Think More)" 대신 **"더 많이 검색하기 (Search More)"**가 장기적 에이전트 검색의 효율성과 확장성을 위한 핵심 열쇠임을 증명했습니다.

• 패러다임 전환: 에이전트의 성능 향상을 위해 단순히 추론 깊이를 늘리는 것이 아니라, 병렬 실행과 구조화된 계획 수정을 통해 정보 획득 효율을 극대화하는 새로운 방향을 제시했습니다.
• 범용성: 단일 에이전트가 결정론적 퀴즈 풀이부터 복잡한 보고서 작성까지 다양한 과제를 유연하게 처리할 수 있음을 보여주었습니다.
• 실용성: 추론 비용과 지연 시간을 크게 줄이면서도 높은 정확도를 유지함으로써, 실제 산업 환경에 적용 가능한 경제적이고 강력한 AI 에이전트 설계의 기초를 마련했습니다.

결론적으로, SMTL 은 효율성 중심의 에이전트 설계가 미래의 심층 연구 에이전트 개발에 있어 더 실용적이고 일반화 가능한 접근법임을 입증한 중요한 연구입니다.