연구자료실
설비 연결, 품질 검사, 생산 분석과 제조 업무에 관련된 외부 논문입니다.
연구자료 검색
논문 목록
T02. Recursive Language Model과 긴 문맥 처리
- T02-1구조대응2025년 이후
Recursive Language Models
한국어 검토 보기
해결 문제
- 모델이 한 번에 읽을 수 있는 글자 수(문맥창)보다 훨씬 긴 입력을 어떻게 처리할 것인가.
- 문맥이 길어질수록 답 품질이 떨어지는 현상(문맥 부패)을 어떻게 피할 것인가.
핵심 구조
- 긴 입력을 대화창에 밀어넣지 않는다. 파이썬 실행 환경(REPL) 안의 변수로 올려둔다.
- 모델이 코드를 써서 입력을 훑고, 쪼개고, 필요한 조각에만 자기 자신을 다시 부른다.
- 이 재귀 호출이 끝나면 결과를 모아 최종 답을 만든다.
주요 결과
- 문맥창의 100배 규모 입력까지 처리했다고 보고한다.
- GPT-5 기준으로, 평가한 벤치마크들의 중앙값(가운데 값) 기준 압축 방식 대비 26%, 하위 호출을 쓰는 CodeAct 대비 130%, Claude Code 대비 13% 향상. 비용은 비슷한 수준. 평균이 아니라 중앙값이다.
- 후속 학습한 RLM-Qwen3-8B가 원본 Qwen3-8B보다 중앙값 기준 28% 좋았다. 본문에서는 네 개 평가 과제 중앙값 28.3%로 적는다.
- 위 수치는 모두 v3에서 들어온 것이다. v1(2025-12-31)에는 26%, 130%, 13%, RLM-Qwen3-8B가 없다. 그래서 인용 버전을 v3로 못 박았다.
한계
- 학회 심사를 거치지 않은 프리프린트다. abs 페이지에 게재 표시가 없고 comment는 "9 pages, 43 with Appendix"뿐이다.
- 코드 실행 환경(샌드박스)이 필요하다. 실행 비용과 지연이 붙는다.
- 재귀 호출 횟수가 늘면 비용이 예측하기 어려워진다.
우리 기능과의 연결
- AI 보고서 기능과 업무 실행 에이전트가 다루는 대용량 설비 로그, 장기간 생산 이력을 통째로 읽는 대신 코드로 훑고 부분 질의하는 구조로 대응할 수 있다.
- T02-2구조대응
RAPTOR: Recursive Abstractive Processing for Tree-Organized Retrieval
한국어 검토 보기
해결 문제
- 검색 기반 생성(RAG)이 짧은 토막만 가져오다 보니 문서 전체 맥락을 놓친다.
핵심 구조
- 문서 조각을 벡터로 만들고, 비슷한 것끼리 묶고, 묶음을 요약한다. 이 과정을 반복해 요약 트리를 아래에서 위로 쌓는다.
- 질문이 오면 트리의 여러 층에서 함께 검색한다. 세부 사실과 전체 요약을 같이 쓴다.
주요 결과
- 여러 단계 추론이 필요한 질의응답에서 기존 검색 방식보다 크게 좋았다.
- GPT-4와 붙여 QuALITY 벤치마크 최고 성능을 절대 정확도 20%p 끌어올렸다.
한계
- 트리를 미리 만들어야 한다. 문서가 자주 바뀌면 다시 만드는 비용이 든다.
- 요약 단계에서 정보가 깎일 수 있다. 숫자나 코드값처럼 정확해야 하는 항목에 불리하다.
우리 기능과의 연결
- AI 기준정보 생성에서 품목, 공정, BOM 문서 뭉치를 계층 요약으로 정리해 두고 층별로 찾는 구조에 대응할 수 있다.
- T02-5구조대응
Chain of Agents: Large Language Models Collaborating on Long-Context Tasks
한국어 검토 보기
해결 문제
- 입력을 줄이는 검색 방식은 필요한 부분을 놓칠 수 있다. 문맥창을 늘리는 방식은 중요한 부분에 집중하지 못한다.
핵심 구조
- 긴 글을 여러 토막으로 나눈다. 작업자 에이전트가 토막을 하나씩 맡아 순서대로 읽고 앞사람 결과를 넘겨받는다.
- 마지막에 관리자 에이전트가 모아서 최종 답을 만든다.
- 읽기와 추론을 번갈아 한다. 각 에이전트의 문맥창은 작게 유지한다.
주요 결과
- 질의응답, 요약, 코드 완성에서 검색 방식과 전체 문맥 투입 방식 대비 최대 10% 향상.
한계
- 순차 처리라서 토막 수가 늘면 지연이 선형으로 커진다.
- 앞 단계에서 정보를 놓치면 뒤로 전달되지 않는다.
우리 기능과의 연결
- 제조 AI 분석에서 여러 설비, 여러 라인의 긴 데이터를 구간별로 나눠 처리하고 마지막에 합치는 구조에 대응할 수 있다.
- T02-9구조대응
Recursively Summarizing Books with Human Feedback
한국어 검토 보기
해결 문제
- 사람이 다 읽기 어려운 분량의 글을 모델이 요약하게 만들고, 그 결과를 사람이 어떻게 평가할 것인가.
- 소설 한 권 분량은 문맥창에 들어가지 않는다.
핵심 구조
- 작업 쪼개기(재귀 분해)를 쓴다. 책을 구간으로 나눠 각 구간을 먼저 요약한다.
- 그 요약들을 다시 묶어 요약한다. 이 과정을 위로 반복해 책 전체 요약을 만든다.
- 각 단계마다 사람 피드백으로 학습한다. 사람은 책 전체를 읽지 않고 해당 구간만 보고 평가한다.
주요 결과
- BookSum 데이터셋에서 당시 최고 성능을 냈다.
- 생성 요약의 약 5%가 사람이 쓴 요약 수준으로 평가됐다.
- 이 요약을 쓴 질의응답 모델이 NarrativeQA에서 당시 최고 성능을 냈다.
한계
- 심사를 거친 학회 발표본이 아니다.
- 사람 라벨링 비용이 크다.
- 요약을 쌓아 올리므로 아래 단계에서 놓친 사실은 위로 전달되지 않는다.
- 소설 대상 실험이다. 숫자와 코드값이 많은 기술 문서와는 성격이 다르다.
우리 기능과의 연결
- 긴 글을 쪼개서 재귀로 요약하는 방식의 원조 논문이다. 1번 RLM, 2번 RAPTOR, 3번 MemWalker의 계보가 여기서 시작한다.
- AI 보고서에서 장기간 생산 이력을 구간별로 요약해 위로 합치는 구조에 대응할 수 있다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기