심층 연구 에이전트(Deep research agents)는 복잡한 정보 탐색 작업에서 놀라운 발전을 이루었습니다. 긴 ReAct 스타일의 롤아웃(rollouts)조차 단일 궤적(trajectory)만을 탐색하는 반면, 최근의 최첨단(state of the art) 시스템들은 병렬 검색 및 집계(aggregation)를 통해 추론 시간 연산(inference time compute)을 확장합니다. 그러나 심층 연구 답변은 상호 보완적인 증거 조각들로 구성되는데, 병렬 롤아웃은 이러한 조각들을 완성하기보다는 중복하는 경우가 많아, 집계 컨텍스트(aggregation context)를 모델의 한계치까지 밀어붙이면서도 수확 체감(diminishing returns)을 초래합니다.

우리는 심층 연구를 전체 답변을 병렬로 무차별 대입(brute forcing)하는 것이 아니라, 상호 보완적인 증거 조각들로부터 퍼즐을 맞추는 과정으로 취급하도록 Searcher와 Navigator가 협력하는 에이전트 시스템인 Argus를 제안합니다. Searcher는 ReAct 스타일의 상호작용을 통해 주어진 하위 쿼리(sub-query)에 대한 증거 추적(evidence traces)을 수집합니다. Navigator는 공유된 증거 그래프(evidence graph)를 유지하며, 어떤 조각이 여전히 누락되었는지 확인하고, 이를 수집하기 위해 Searcher를 파견하며, 완성된 그래프를 바탕으로 추론하여 출처가 추적된(source-traced) 최종 답변을 생성합니다.

우리는 Navigator가 검증, 파견, 합성을 수행할 수 있도록 강화학습(reinforcement learning)으로 학습시키는 한편, Searcher는 표준 ReAct 에이전트로 유지되도록 독립적으로 학습시킵니다. 그 결과 Navigator는 재학습 없이 단일 Searcher 또는 다수의 병렬 Searcher를 통한 롤아웃을 지원합니다. Searcher와 Navigator 모두 35B-A3B MoE 백본(backbone)을 기반으로 구축된 Argus는 8개의 벤치마크 평균 결과, 단일 Searcher 사용 시 5.5포인트, 8개의 병렬 Searcher 사용 시 12.7포인트를 획득했습니다. 64개의 Searcher를 사용할 경우 BrowseComp에서 86.2점에 도달하여 우리가 벤치마킹한 모든 독점(proprietary) 에이전트를 능가했으며, 이 과정에서 Navigator의 추론 컨텍스트(reasoning context)는 21.5K 토큰 미만으로 유지되었습니다.