LG AI Research 587

최근 LLM의 진화 방향은 단순 지시 기반 모델을 넘어 심층적 추론을 수행하는 **Large Reasoning Model(LRM)**로 빠르게 전환되고 있습니다. LRM은 복잡한 문제를 단계적으로 분석하는 긴 추론 과정(long-CoT)을 거치며 과학·기술 분야에서 탁월한 성능을 보이지만, 정보 공백 시 발생하는 Hallucination과 Over-thinking이라는 한계도 존재합니다.

이를 해결하기 위해 모델이 스스로 지식 부족을 감지하고 외부 지식을 활용하는 Agentic LRM이 주목받고 있습니다. OpenAI의 ChatGPT(Deep Research), Google의 Gemini 등이 대표적입니다.

알리바바 Tongyi Lab이 제안한 WebDancer는 웹 검색 도구를 활용해 LRM의 추론 능력을 강화하는 방법론입니다. 핵심은 모델이 탐색 기반의 추론과 정보 보완 전략을 학습할 수 있도록 고도화된 합성 데이터를 생성하는 것입니다.

데이터 생성 방식으로는 두 가지 핵심 방법론이 사용됩니다:

• CRAWLQA: 복수의 하위 페이지를 탐색하며 정보를 종합해야 하는 Multi-hop QA 데이터셋
• E2HQA: 단순한 질문에서 시작해 점차 복잡한 추론을 요구하도록 질문을 재구성하는 Easy-to-Hard 방식

WebDancer는 ReAct(Reasoning + Acting) 구조를 기반으로 설계되어, 모델이 단계적으로 사고하고 행동하며 그 결과를 다시 추론에 반영하는 Thought–Action–Observation 궤적을 학습합니다.