DeepSeek-R1 과 OpenAI o1 과 같은 대형 추론 모델 (Large Reasoning Models) 은 수천 개의 토큰에 이르는 확장된 사슬 사고 (chains of thought) 를 생성하지만, 이를 검색 증강 생성 (RAG) 과 통합하는 방식은 근본적으로 정렬되지 않고 있습니다. 현재 RAG 시스템은 추론이 시작되기 전에 컨텍스트를 제공하는 것을 최적화하는 반면, 추론 모델들은 다단계 추론 연쇄 (multi-step inference chains) 도중 증거 주입을 필요로 합니다. 우리는 이러한 불일치를 해결하기 위해 세 가지 핵심 혁신을 통해 적응형 검색 프레임워크인 ReaLM-Retrieve 를 제안합니다: (1) 토큰이나 문장 단위가 아닌 추론 단계 (reasoning-step) 수준의 지식 격차를 식별하는 단계별 불확실성 감지기 (step-level uncertainty detector), (2) 외부 증거가 현재 진행 중인 추론에 최대 혜택을 줄 때를 학습하는 검색 개입 정책 (retrieval intervention policy), (3) 단순한 통합 방식 대비 단당 검색 오버헤드를 3.2 배 감소시키는 효율성 최적화 통합 메커니즘입니다. MuSiQue, HotpotQA, 및 2WikiMultiHopQA 에서 수행된 실험 결과, ReaLM-Retrieve 는 표준 RAG 대비 답변 F1 점수에서 평균 10.1% 의 절대적 개선을 달성했습니다 (세 벤치마크 간 범위: 9.0-11.8%). 또한 IRCoT 와 같은 고정 간격 방식과 비교하여 검색 호출 횟수를 47% 줄였습니다 (모든 개선 사항이 p<0.01, paired bootstrap 기준 통계적으로 유의미함). 2~4 홉 추론이 필요한 까다로운 MuSiQue 벤치마크에서 우리의 방법은 질문당 평균 1.8 회 의 검색 호출로 F1 점수 71.2% 를 달성했습니다. 분석 결과, ReaLM-Retrieve 는 검색 품질 자체도 개선하여 지원 증거에 대해 고정 간격 베이스라인보다 일관되게 높은 정밀도와 MRR 을 달성하며, Recall@5 는 81.3% 로 기록되어 추론 집약적 검색 작업에 있어 새로운 상태-of-the-art 효율성-정확도 트레이드오프를 확립했습니다.