논문 정보
- 날짜:
2026-03-08 - 카테고리: -
- 우선순위 점수: 1.333
핵심 요약
강화학습 기반의 기업용 검색 에이전트 KARL과 6가지 검색 영역을 포함하는 KARLBench를 제안합니다. 에이전트 합성 파이프라인을 통해 고품질 학습 데이터를 생성하고, 대규모 배치 오프-폴리시 강화학습을 적용하여 일반화 성능을 높였습니다. 실험 결과, 비용 및 지연 시간 대비 품질 측면에서 기존 폐쇄형 모델들보다 우수한 파레토 최적 성능을 보였습니다.학습자 관점 포인트
- 우리 팀 영향: 다양한 검색 시나리오에 대한 합성 데이터 생성 및 강화학습 방법론을 참고하여 사내 지식 에이전트의 추론 성능을 개선할 수 있습니다.
- 권장 액션: 실험
- 액션 근거: 다양한 검색 작업에 대한 일반화 성능과 비용 효율성이 검증되었으므로 실제 도메인 데이터에 적용 가능성을 확인할 가치가 있습니다.
원문 링크
- arXiv: https://arxiv.org/abs/2603.05218
- Hugging Face Papers: https://huggingface.co/papers/2603.05218