과학, 의학, 법률, 금융 등의 영역에서 복잡한 과제를 해결하려면 종종 모델의 컨텍스트 한계를 훨씬 넘어서는 광대하고 이질적인 출처에 흩어진 상호 의존적인 정보를 조합해야 한다. 기존 접근법은 그래프, 텍스트 메모리, 검색 컬렉션 등 모델이 추론할 수 있는 더 다루기 쉬운 표현으로 정보를 구성하여 이 과제에 대응한다. 이러한 표현은 어떤 후속 추론이 가능한지, 궁극적으로 성공 여부를 좌우하지만, 그 설계와 구축은 대체로 임의적(ad hoc)으로 이루어진다. 본 연구에서는 관련성 실현(relevance realization)의 인지 이론에 기초하여, 매우 큰 컨텍스트의 효과적인 표현을 구성하는 AI 시스템 설계를 위한 구체적 원칙을 제안한다. 기존 접근법을 분석하고 그 성공과 실패가 이러한 원칙과의 정렬(alignment)에 어떻게 대응되는지 보이며, 원칙을 보다 체계적으로 실행 가능하게 하도록 설계된 하네스 R3Con을 소개한다. R3Con을 대규모 문서 코퍼스에 대한 추론을 다룬 최근 벤치마크 두 개에서 아홉 개의 최신 기준선과 비교 평가한다. 이 벤치마크에서 R3Con은 가장 강한 기준선보다 각각 20 및 8.4 퍼센트포인트만큼 크게 우수한 성능을 보인다. 또한 더 작은 모델이 훨씬 큰 모델보다 나은 성능을 내도록 한다: 4B 및 9B 모델을 사용한 R3Con은 평가된 모든 35B 기준선을 능가하고, 35B-A3B 모델을 사용한 R3Con은 Claude-Sonnet-5를 사용한 Claude Code보다 3.7배 낮은 비용으로 더 나은 성능을 보인다. 결과는 우리의 원칙적 접근을 따르는 컨텍스트 표현이 모델 규모에 대한 의존을 줄일 수 있음을 보여주며, 더 작은 모델로 구동되는 프론티어 수준 성능의 AI 시스템의 미래를 가리킨다. 코드는 https://github.com/michaeltheologitis/r3con 에서 제공된다.
어휘 기반, 의미 기반, 멀티모달 접근 방식을 포함한 다양한 검색기는 멀티모달 문서 이해에 있어 상호 보완적인 강점을 제공하지만, 대부분의 시스템은 개별 추론 단계의 요구에 적응할 수 없는 고정된 파이프라인을 통해 이들을 결합한다. 본 연구에서는 검색 오케스트레이션 자체를 추론 과정의 일부로 학습할 수 있는지를 묻는다. 우리는 메타 에이전트가 다단계 문서 질의응답 과정에서 도구를 사용하는 태스크 에이전트가 다양한 검색기를 어떻게 조율해야 하는지를 자율적으로 탐색하는 실패 기반 진화 프레임워크를 제안한다. 메타 에이전트는 잘못된 추론 궤적을 분석하고, 동일한 도구 환경을 능동적으로 탐색하여 근본 원인을 진단하며, 태스크 에이전트의 지침을 반복적으로 재작성함으로써 검색을 고정된 전처리 단계에서 적응적이고 단계적인 추론 결정으로 전환한다. 진화된 에이전트는 각 검색기를 언제 호출할지, 이들을 어떻게 결합할지, 그리고 여러 모달리티와 페이지에 걸쳐 증거를 어떻게 구성할지를 학습한다. MMLongBench-Doc과 DocBench에서 진화된 에이전트는 진화되지 않은 기준선 대비 최대 +19.6포인트의 성능 향상을 달성하며, MACT, MDocAgent, SimpleDoc을 포함한 최신 시스템들을 일관되게 능가한다. 상세한 검색 분석을 통해 이러한 개선이 고정된 검색 방식에 대한 의존이 아닌 적응적 라우팅과 증거 구성에서 비롯됨을 확인하였으며, 진화 역학은 좁은 어휘 기반 동작에서 풍부한 다중 도구 조율로의 점진적 전환을 보여준다. 이러한 결과는 자율적 다중 에이전트 조율이 멀티모달 문서 추론을 위한 유망한 패러다임임을 확립한다.
대규모 언어 모델(LLM) 에이전트가 내부 직장 문서 아카이브에서 흩어진 근거를 찾고 용어·단위·시간 표기 불일치를 조정해 답을 계산하는 아카이브 기반 추론을 평가하기 위해, 362개 질문과 8개 도메인·9,664개 문서·372M 토큰으로 구성된 Agora 벤치마크를 제안한다. 에이전트 파이프라인으로 교차 문서 과제를 합성하고 누출 방지 난독화와 난이도 필터를 적용했으며, 8개 모델 평가에서 최고 성능도 59.4% 정확도에 그치고 도메인별 편차가 크다.