본 논문은 Retrieval-Augmented Generation (RAG) 시스템에서 삼중 모드 하이브리드 검색을 위한 임베딩 모델 비교를 제시합니다. 밀집 의미, 희소 어휘, 그래프 기반 임베딩의 융합을 조사하며, 특히 MiniLM-v6와 BGE-Large 아키텍처의 성능에 중점을 둡니다. 기존의 가정과 달리, 본 연구 결과는 삼중 모드 하이브리드 프레임워크 내에서 LLM 기반 재순위 지정과 통합될 때, 소형 모델인 MiniLM-v6가 대형 모델인 BGE-Large보다 성능이 우수함을 보여줍니다. SciFact, FIQA, NFCorpus 데이터셋에서 수행된 실험은 MiniLM-v6 구성을 사용하여 검색 품질이 크게 향상됨을 보여줍니다. 특히, 에이전트 재순위 지정 시나리오에서 성능 차이가 두드러지게 나타나는데, 이는 MiniLM-v6의 임베딩 공간과 LLM 추론 간의 더 나은 정렬을 나타냅니다. 본 연구 결과는 RAG 시스템에 대한 임베딩 모델 선택 시 단순히 대형 모델에 의존하기보다는 다중 신호 융합 및 LLM 정렬과의 호환성을 우선시해야 함을 시사합니다. 이러한 접근 방식은 계산 요구 사항을 줄이면서 검색 정확도와 효율성을 향상시킬 수 있습니다.
