본 논문은 기존 Retrieval-augmented generation (RAG) 모델의 질의응답(QA) 과제 수행 시 발생하는 오류를 해결하기 위해 새로운 RAG 프레임워크인 SAGE를 제안합니다. SAGE는 기존 RAG의 두 가지 주요 한계점, 즉 1) 의미를 고려하지 않은 단순한 corpus 분할로 인한 관련 문맥 검색의 어려움과 2) 관련 문맥 누락과 무관한 문맥 포함 사이의 트레이드오프 문제를 해결합니다. 이를 위해 SAGE는 의미 기반 corpus 분할 모델, 관련성 점수 감소 속도 기반 청크 선택 알고리즘, 그리고 LLM을 이용한 문맥 양 조절 메커니즘을 제시합니다. 실험 결과, SAGE는 기존 방법들보다 QA 성능을 평균 61.25% 향상시켰으며, 불필요한 문맥 검색 감소를 통해 비용 효율성도 평균 49.41% 향상시켰습니다.
