초록

최근 대규모 언어 모델(LLM) 기반 에이전트의 발전은 다양한 분야에서 놀라운 능력을 보여주고 있으며, 복잡한 정보 탐색 및 통합 작업에서 뛰어난 성능을 입증하는 심층 연구 시스템의 등장으로 그 가능성이 더욱 부각되고 있다. 일반 목적의 심층 연구 에이전트는 놀라운 능력을 보여주지만, 의료 분야의 도전 과제에는 크게 한계를 드러내고 있다. 이는 주요 사적 시스템들이 복잡한 의료 기준 평가에서 제한된 정확도를 기록한 사실에서도 확인할 수 있다. 주요한 한계는 다음과 같다: (1) 모델이 임상적 추론을 위해 충분한 밀집된 의료 지식을 보유하지 못하고 있으며, (2) 의료적 맥락에 특화된 검색 도구가 부재하여 프레임워크 자체가 제약을 받는다는 점이다.이러한 문제를 해결하기 위해 우리는 두 가지 핵심 혁신을 통해 의료 전문 심층 연구 에이전트를 제안한다. 첫째, 희귀 의료 엔티티 주변의 하위 그래프에서 가장 긴 경로를 추출하여 복잡한 다단계 질문-답변 쌍을 생성하는 새로운 데이터 합성 프레임워크를 개발하였다. 이 프레임워크는 의료 지식 그래프를 기반으로 하며, 특히 드문 질환이나 복잡한 임상 사례에 대한 깊이 있는 이해를 가능하게 한다. 둘째, 일반 목적 도구와 병행하여 자체 개발한 사적 의료 검색 엔진을 통합함으로써 정확한 의료 정보 통합이 가능해졌다.본 연구에서 제안하는 방법은 12개의 의료 전공 분야에 걸쳐 2,100개 이상의 다양한 탐색 경로를 생성하였으며, 평균적으로 각 경로당 4.2회의 도구 상호작용을 포함한다. 두 단계의 훈련 파라다임 — 즉, 감독형 미세조정과 복합 보상 기반 온라인 강화 학습 — 을 결합한 방식을 통해, MedResearcher-R1-32B 모델은 놀라운 성능을 보였으며, 의료 분야 기준 평가에서 새로운 최고 성능(SOTA)을 달성함과 동시에 일반적인 심층 연구 과제에서도 경쟁력을 유지하였다.본 연구는 아키텍처 설계, 도구 개발, 훈련 데이터 구축에 있어 전략적인 분야 특화 혁신이 소규모 오픈소스 모델이 훨씬 더 큰 사적 시스템을 능가할 수 있음을 입증한다. 이는 특화된 분야에서의 모델 성능 향상을 위한 새로운 가능성을 제시한다.