본 논문은 복잡한 심층 검색 시나리오에서 대규모 언어 모델(LLM)을 향상시키는 검색 증강 생성(RAG) 시스템의 한계점을 해결하기 위해 SimpleDeepSearcher라는 경량이면서 효과적인 프레임워크를 제시합니다. 기존 접근 방식의 고품질 훈련 데이터 부족 및 시뮬레이션 환경과 실제 환경 간의 분포 불일치, 그리고 실제 배포를 위한 과도한 계산 비용 문제를 해결하기 위해, 복잡한 훈련 패러다임 대신 전략적인 데이터 엔지니어링을 통해 고품질 훈련 데이터를 합성하는 방법을 제시합니다. 실제 웹 검색 환경에서의 현실적인 사용자 상호 작용을 시뮬레이션하고, 다기준 큐레이션 전략을 통해 입력 및 출력의 다양성과 품질을 최적화합니다. 다양한 분야의 5개 벤치마크에 대한 실험 결과, 871개의 큐레이션된 샘플만으로도 강화 학습 기반 기준 모델보다 성능이 크게 향상됨을 보여줍니다. 이 연구는 데이터 부족의 병목 현상을 체계적으로 해결하여 효율적인 심층 검색 시스템을 위한 실용적인 통찰력을 제공하며, SFT(Supervised Fine-Tuning)를 실행 가능한 방법으로 제시합니다. 코드는 https://github.com/RUCAIBox/SimpleDeepSearcher 에서 이용 가능합니다.
