본 논문은 정적 내부 지식으로 인해 환각이나 시대착오적인 응답을 생성하는 경향이 있는 대규모 언어 모델(LLM)의 한계를 해결하기 위해, 강화 학습(RL) 기반의 검색 증강 생성(RAG) 방법을 개선한 RAG-R1 프레임워크를 제안합니다. RAG-R1은 추론 과정 중 내부 및 외부 지식을 적응적으로 활용하도록 설계되었으며, 단일 쿼리 모드에서 다중 쿼리 병렬 처리로 생성 및 검색 과정을 확장하여 추론 시간을 단축하고 모델 성능을 향상시킵니다. 7가지 질의응답 벤치마크에 대한 실험 결과, 제안된 방법은 최고 성능 기준 모델보다 최대 13.2% 향상된 성능을 보였으며, 추론 시간을 11.1% 단축했습니다.
