대규모 언어 모델 (LLMs)은 검색 증강 생성 (Retrieval-Augmented Generation, RAG)을 통해 사실성을 향상할 수 있지만, 모델 단독 답변이 신뢰할 수 있는 경우에는 모든 쿼리에 RAG를 적용하는 것이 불필요합니다. 이는 계층적 RAG (Cascaded RAG)의 동기가 됩니다. 즉, 각 쿼리는 먼저 LLM 단독 분기 (LLM-only branch)에서 처리되며, 기본 분기가 불확실한 경우에만 RAG 폴백 (RAG fallback)으로 격상되고, 두 분기 모두 충분히 신뢰할 수 없는 경우에는 답변을 거부 (abstain)합니다. 그러나 이러한 계층 구조를 단계별로 보정하는 것은 보수적일 수 있는데, 최종 효용이 LLM 단독 분기와 RAG의 공동 불확실성 임계값 설정 (joint uncertainty thresholding)에 달려 있기 때문입니다. 본 연구에서는 목표 위험 수준 (target risk level)에서 임계값 쌍을 인증하기 위한 BalanceRAG를 개발합니다. 두 분기에서 얻은 불확실성 점수 (uncertainty scores)가 주어지면, BalanceRAG는 각 임계값 쌍을 2차원 격자 (two-dimensional lattice) 상의 동작 지점 (operating point)으로 프레임화하고, 순차적 그래픽 검정 (sequential graphical testing)을 사용하여 안전한 동작 지점을 식별합니다. 이를 통해 수락된 지점들 사이에서 시스템 수준의 오류율을 제어하면서도 더 많은 사례를 유지하는 위험 적응형 임계값 보정 (risk-adaptive threshold calibration)이 가능해집니다. 나아가 BalanceRAG는 다중 위험 보정 (multi-risk calibration)으로 확장되어, 선택 조건부 위험 (selection-conditioned risk)과 함께 검색 사용량을 제한할 수 있습니다. 다양한 LLM 백본 (backbones)을 사용한 세 가지 오픈 도메인 질의응답 (QA) 벤치마크에서의 실험을 통해, BalanceRAG가 규정된 위험 수준을 충족하고, 더 높은 커버리지와 더 많은 수락된 정답 사례를 보존하며, 항상 켜져 있는 (always-on) RAG 방식에 비해 불필요한 검색 호출을 줄인다는 것을 입증했습니다.