데이터가 자주 바뀌는 검색형 AI 비용을 줄이는 MOTHRAG 방식
는 데이터가 자주 바뀌어도 큰 재구축 없이 여러 단계의 검색과 추론을 하려는 방식이다. , HippoRAG, RAPTOR, 학습된 검색기는 보통 자료 전체에서 를 만들거나 검색기를 다시 학습해야 해서, 새 자료가 들어올 때마다 다시 추출하고 다시 만들고 때로는 재학습해야 한다. 는 일반적인 위에서 질문이 들어온 순간에 여러 단계의 추론을 처리한다.
새 자료를 넣을 때는 임베딩을 한 번 만들고 뒤에 붙이면 되므로, 그래프 재구축이나 재학습이 필요 없다는 점이 핵심이다. 제시된 시험에서는 Llama-3.3-70B를 읽기 모델로 쓰고 각 데이터셋 1,000개씩 평가했을 때, 의 평균 F1 점수는 68.3이었다. 비교 점수는 HippoRAG2 65.0, 55.2, RAPTOR 50.2였고, 데이터셋별로 는 HotpotQA 78.1, 2Wiki 76.3, 50.5를 기록했다.
일반 API 환경에서 없이 돌릴 수 있으며, 직접 읽기, 질문 쪼개기, 근거를 반복 확인하는 방식들을 함께 쓰고 고정된 판정기로 답을 고른다. 답마다 증명 트리를 남겨 결과가 어떤 근거에서 나왔는지 확인할 수 있다는 주장도 포함되어 있다.
핵심 포인트
- 는 새 자료를 넣을 때 임베딩을 만들고 인덱스에 추가하는 방식이라고 제시된다.
- 재구축이나 검색기 재학습이 필요 없다는 점이 비용 절감의 핵심이다.
- 평균 F1 점수는 68.3, HippoRAG2 65.0, 55.2, RAPTOR 50.2로 제시됐다.
- 일반 API 환경에서 없이 쓸 수 있다는 주장이 있다.
- 답마다 증명 트리를 남겨 근거 확인을 쉽게 하려는 구조다.