Dense retrievers는 쿼리와 문서를 연속적인 벡터로 인코딩하여 검색을 개선하지만, 추론 집약적인 쿼리에는 어려움을 겪습니다. 대규모 언어 모델(LLM)은 복잡한 추론을 포착하기 위해 쿼리를 재구성할 수 있지만, 이를 보편적으로 적용하면 상당한 계산 비용이 발생합니다. 본 연구에서는 하이브리드 쿼리 재작성 프레임워크인 AdaQR(Adaptive Query Reasoning)을 제안합니다. 이 프레임워크 내에서 Reasoner Router는 각 쿼리를 빠르고 밀집된 추론 또는 심층 LLM 추론으로 동적으로 안내합니다. 밀집된 추론은 Dense Reasoner에 의해 수행되며, 이는 임베딩 공간에서 직접 LLM 스타일의 추론을 수행하여 효율성과 정확성 사이의 제어 가능한 트레이드 오프를 가능하게 합니다. 대규모 검색 벤치마크 BRIGHT에 대한 실험 결과, AdaQR은 검색 성능을 유지하거나 심지어 7% 향상시키면서 추론 비용을 28% 감소시켰습니다.
