RAG·검색

RAG의 문제는 검색 정보가 부족할 때만 발생하지 않습니다. 검색된 문서가 서로 충돌할 수도 있기 때문입니다. 새로운 연구는 언어 모델의 내부 신호를 해독해 생성 전에 답변 가능, 정보 부족, 정보 충돌을 구분하는 방법을 제시합니다.

음성 기반 멀티홉 질의응답에서 더 풍부한 검색 구조가 절대 성능은 높이지만, 상류 음성인식 오류에는 오히려 더 취약할 수 있다는 연구 결과가 나왔다. 특히 질의 속 엔터티가 잘못 인식되는 현상이 오류 전파의 핵심 원인으로 나타났다.

Accel이 주도한 2,600만 달러 시드 투자를 유치한 Keenable이 스텔스 모드에서 나왔다. 회사는 AI 시스템을 겨냥해 1,000억 개가 넘는 웹 문서 검색 인덱스를 구축하고 있다고 밝혔다.

Amazon DynamoDB가 네이티브 벡터 검색을 지원하면서 임베딩 벡터와 애플리케이션 데이터를 같은 테이블에 저장할 수 있게 됐다. AI 애플리케이션의 구성을 단순화할 수 있지만, 전용 벡터 데이터베이스가 곧바로 사라진다는 의미는 아니다.

새 연구는 추론 시 검색된 문서를 제공하지 않아도 고정된 문서 모음에 답할 수 있도록 하는 IAR 후학습 프레임워크를 제안했다. 문서 지식 주입, QA 행동 정렬, 일반 능력 회복을 분리해 다루는 것이 핵심이다.

Google이 독자가 특정 매체를 우선적으로 볼 수 있도록 하는 ‘Preferred Sources’ 버튼을 출판사 웹사이트에 삽입할 수 있게 했다. AI 검색이 원문 사이트로 향하는 클릭을 줄이는 가운데, 출판사에 새로운 유입 경로를 제공하려는 시도다.

RAG 포이즈닝 공격은 모델을 불확실하게 만드는 대신 잘못된 정보에 과도한 확신을 갖게 할 수 있다. 새로운 연구는 생성 과정의 문서 수준 어텐션 엔트로피를 추적하는 D-SCAN을 제안했다.

Shopify는 2분기 실적 발표에서 AI 검색이 전통 검색을 잠식하기보다 가맹점 방문과 주문을 늘리고 있다고 밝혔다. AI 기반 트래픽과 주문은 전년 대비 3배로 증가했다.

Alibaba-NLP의 UEmbed는 decoder-only 멀티모달 임베딩 모델로, 한 번의 인과적 forward pass에서 희소 어휘 표현과 조밀 벡터를 함께 생성한다. 검색, RAG, 멀티모달 검색에서 분리되어 있던 표현 체계를 통합하려는 시도다.

DeepVoyager-VL은 이미지를 처음에만 보는 방식에서 벗어나, 시각 증거가 검색과 중간 추론을 계속 이끄는 구조를 제안합니다. 긴 정보 탐색 과정에서 텍스트와 이미지를 반복적으로 활용하는 점이 핵심입니다.

Reddit CEO Steve Huffman은 Google AI Overviews가 기존 검색 링크만큼 웹 생태계에 가치를 돌려주고 있는지 의문을 제기했다. 실적은 예상을 웃돌았지만 검색 유입의 불안정성이 투자자 우려를 키웠다.

새로운 RAG 확장성 연구는 코퍼스가 커질수록 전통적인 BM25 검색이 더 강력한 기본 선택지가 될 수 있음을 보여준다. 작은 규모에서는 File-System Agent가 앞서지만, 약 1천만 코퍼스 토큰 부근에서 BM25가 역전한다.

TechCrunch가 인용한 Similarweb 데이터에 따르면 Google AI Overviews는 이제 검색의 43%에 표시된다. 1년 전 15%에서 크게 늘어나며 AI 생성 답변이 검색 경험의 중심으로 들어오고 있다.

LAMAR는 다국어 RAG 환경에서 의미적 관련성뿐 아니라 질의와 문서의 언어 일관성까지 고려하도록 설계된 언어 인식 재순위화 모델입니다.

The Vergecast는 검색엔진이 웹을 크롤링하고 그 대가로 트래픽을 돌려주던 기존 질서가 AI 요약과 답변형 검색으로 약화되고 있다고 짚었다.

이 논문은 LLM과 AI 에이전트가 검색 결과의 주요 소비자가 되면서, 검색 품질을 개별 문서 관련도보다 문서 집합의 품질로 평가해야 한다고 주장한다.

AutoIndex는 검색기나 리랭커를 바꾸는 대신, 색인 전에 문서를 어떤 형태로 변환할지 학습하는 프레임워크입니다. BM25를 고정한 조건에서도 CRUMB의 8개 검색 과제 모두에서 Recall@100 개선을 보였습니다.

RAGU는 지식 추출과 그래프 정제를 분리한 오픈소스 GraphRAG 엔진이다. 전용 7B 모델 Meno-Lite-0.1을 통해 대형 모델 의존도를 낮추는 것이 핵심이다.

SearchOS-V1은 장기 오픈도메인 검색에서 Agent가 진행 상황을 잃고 같은 검색을 반복하는 문제를 겨냥한다. 증거, 커버리지, 실패 기록을 외부 상태로 관리해 다중 Agent 협업을 더 안정적으로 만든다.

GRASP는 Agentic RAG에서 언제 검색하고, 어떤 검색 방식을 쓰며, 어느 정도의 문맥까지 읽을지를 학습하는 강화학습 프레임워크다. 의미 검색, 키워드 검색, 문단 읽기를 조합해 다단계 추론에서 더 나은 증거 회수와 답변 품질을 목표로 한다.

NVIDIA가 Hugging Face를 통해 Nemotron 3 Embed 제품군을 공개했다. 8B BF16 모델은 RTEB 1위를 기록했다고 소개됐고, 1B 모델들은 비용과 지연시간, 고처리량 배포에 초점을 맞췄다.