요약

FoRAG(Factuality-optimized RAG)는 기존 RAG 시스템의 주요 문제점인 할루시네이션과 장문 생성 시 논리적 붕괴를 해결하기 위해 제안된 새로운 프레임워크입니다. 이 방법은 단순한 프롬프트 엔지니어링을 넘어, 강화학습(RLHF) 기법을 활용하여 '사실성'에 초점을 맞춘 보상 함수를 설계하고 최적화함으로써 RAG의 신뢰도를 획기적으로 높이는 것을 목표로 합니다.

핵심 포인트

• FoRAG는 RAG 시스템의 핵심 문제인 할루시네이션과 논리적 비일관성을 해결하는 데 중점을 둡니다.
• 단순한 검색 증강을 넘어, 강화학습(RLHF) 기법을 활용하여 사실성 기반의 정교한 보상 함수를 설계합니다.
• 이 접근 방식은 RAG 파이프라인 전체에 걸쳐 '사실성'이라는 목표 지향적인 제약을 부여함으로써 성능을 극대화합니다.
• 논문에서 제시된 결과는 모델 크기 대비 높은 효율성을 보여주며, 작은 모델(7B)로도 대형 모델(175B) 수준의 성능을 달성할 수 있음을 시사합니다.