LLM과 실제 탐색: 상호보완적 역할 재고찰
How Far Are LLMs from Real Search: Rethinking the Complementary Roles of Search and Learning
원저자 Minhua Lin, Hui Liu, Xianfeng Tang 외 5인·ACM Transactions on Knowledge Discovery from Data·원발행 2026.08· 8 인용·카라멜 랩 해설 공개 2026. 11. 8.
최근 1년 8회 인용· 떠오르는 연구
한국어 핵심 요약
문제 해결의 핵심인 탐색(Search)과 대규모 언어 모델(LLM)의 상호보완적 관계를 세 가지 관점에서 체계적으로 탐구합니다. 첫째, 학습이 탐색 효율성을 어떻게 향상시키는지 분석하고, LLM을 활용한 효과적이고 효율적인 탐색 프레임워크인 SeaL(Search via Learning)을 제안합니다.
둘째, 탐색의 엄격한 완전성을 보장하기 위해 SeaL을 SeaL-C로 확장합니다. 세 가지 실제 계획(planning) 작업에 대한 평가 결과, SeaL은 기존 방식 대비 탐색 공간을 최대 99.1%까지 줄이면서 거의 완벽한 정확도를 달성했습니다.
마지막으로, LLM이 독립적으로 탐색 능력을 개발할 수 있는지 조사하여 LLM이 실제 탐색과 얼마나 근접한지 분석합니다. 현재 LLM은 복잡한 문제에서 효율적인 탐색에 어려움을 겪지만, 체계적인 탐색 전략을 통합하면 문제 해결 능력이 크게 향상됨을 확인했습니다.
이러한 결과는 제안하는 접근 방식의 효과성을 입증할 뿐만 아니라, 실제 응용을 위한 LLM의 탐색 능력 개선 필요성을 강조합니다.
섹션 미리보기
연구 배경
문제 해결의 근간이 되는 탐색(Search)은 다양한 분야에서 핵심적인 역할을 수행합니다. 최근 탐색과 학습에 대한 논의가 활발해짐에 따라, 본 연구는 대규모 언어 모델(LLM)과 탐색의 상호보완적 관계를 체계적으로 탐구합니다.
핵심 발견
제안하는 SeaL 프레임워크는 실제 계획 작업에서 탐색 공간을 최대 99.1%까지 줄이면서 거의 완벽한 정확도를 달성했습니다. 또한, LLM은 독립적인 탐색 능력 개발에 한계가 있지만, 체계적인 탐색 전략을 통합하면 문제 해결 능력이 크게 향상됨을 확인했습니다.
관련 컴퓨터 과학 논문
개념 그래프 기반 스키마 매칭
2026·18
오프로드 주행을 위한 시각 기반 마찰 학습
2026·8
내결함성 양자 컴파일 벤치마크
2026·13
트로터 공식을 활용한 양자 시뮬레이션
2026·6