우리는 소규모 연구 코퍼스(Corpus)에 대해 LLM (Large Language Model)이 질문에 답변하는 것을 돕는 두 가지 방식, 즉 단일 라운드 Vector RAG (Retrieval-Augmented Generation) 시스템과 LLM이 컴파일한 마크다운(Markdown) 위키를 사전 등록하여 비교했습니다. 두 시스템 모두 동일한 답변 생성 모델을 사용하여 24편의 논문에 걸친 동일한 13개의 질문에 답변하였으며, 답변은 블라인드 처리된 LLM 판사(Judge)들에 의해 채점되었습니다. 위키는 논문 전반에 걸쳐 발견된 내용들을 연결하는 데 훨씬 더 높은 점수를 받았으나, 판사 조정(Judge adjustment) 이후 답변 구성 측면에서의 이점은 강력하지 않았습니다. RAG는 단일 사실 조회(Single-fact lookup) 질문에 대해 사전 등록된 테스트를 충족했습니다. 깔끔한 쿼리 측 비용(Query-side cost) 결과는 예상되었던 위키의 이점과 상반되었습니다. 테스트된 설정 하에서 위키는 RAG보다 훨씬 더 많은 쿼리 토큰(Query tokens)을 사용했기 때문에, 더 저렴한 쿼리를 통해 초기 구축 비용을 회수할 수 없었습니다. 두 가지 탐색적 분석이 결과에 대한 우리의 해석을 바꾸어 놓았습니다. 첫째, 주장 수준의 인용 확인(Claim-level citation checking)은 위키에 유리했습니다. RAG가 전반적인 근거성(Groundedness) 루브릭(Rubric)에서 더 높은 점수를 받았음에도 불구하고, 위키가 인용한 페이지들은 제시된 정확한 주장들을 더 자주 뒷받침했습니다. 둘째, 분해 기반(Decomposition-based) RAG 변형 모델은 더 낮은 LLM 토큰 비용으로 논문 간 합성(Cross-paper synthesis)에서 위키의 이점 대부분을 회복했으나, 주장별 인용 지원(Claim-by-claim citation support)에서의 위키 이점은 회복하지 못했습니다. 주요 결론은 근거 중심의 연구 합성(Grounded research synthesis)이 단일한 능력이 아니라는 점입니다. 시스템은 증거를 얼마나 잘 구성하는지, 인용이 각 주장을 얼마나 잘 뒷받침하는지, 그리고 실행 비용이 얼마나 드는지에 따라 서로 다를 수 있습니다. 본 연구에서는 세 가지 측면 모두에서 가장 뛰어난 아키텍처는 없었습니다.