🔬 Deep Researcher with Test-Time Diffusion (Google Cloud;2025) 논문 리뷰

Test-Time Diffusion Deep Researcher; TTD-DR

논문 개요#

• 제목: Deep Researcher with Test-Time Diffusion
• 저자: Rujun Han, Yanfei Chen 외 (Google Cloud AI Research, Google Cloud)
• 발표: 2025년 7월, arXiv:2507.16075v1
• 분야: AI Research Agents Large Language Models Test-Time Scaling

논문 요약#

Google Cloud AI Research팀이 인간의 연구 과정을 모방한 혁신적인 AI 연구 에이전트 TT**D-DR(Test-Time Diffusion Deep Researcher)**를 발표했다. 기존 Deep Research 에이전트들이 복잡한 장문 연구 보고서 생성에서 보이는 성능 한계를 극복하기 위해, 인간의 계획-초안-수정 과정을 diffusion 프로세스로 모델링한 것이 핵심이다. 초기 “노이즈가 있는” 초안을 점진적으로 정제하는 denoising 과정과 각 구성요소를 개별적으로 최적화하는 self-evolution 알고리즘을 결합했다. 실험 결과 OpenAI Deep Research 대비 69.1%~74.5%로 높은 성능을 보여 기존 연구 에이전트들을 크게 뛰어넘는 성과를 보였다.

AI가 진짜 연구자처럼 생각할 수 있을까?#

최근 ChatGPT, Claude 같은 대형 언어 모델들이 단순한 질문답변을 넘어 복잡한 연구 작업까지 수행하기 시작했다. 하지만 여전히 한계가 명확하다. 특히 Deep Research 작업-여러 단계의 정보 수집, 분석, 종합이 필요한 고차원적 연구-에서는 성능이 급격히 떨어진다.

문제의 핵심은 기존 AI 연구 에이전트들이 인간의 실제 연구 과정과는 다른 방식으로 작동한다는 점이다. 인간 연구자는 선형적으로 첫 문장부터 마지막 문장까지 차례대로 쓰지 않는다. 대신 전체적인 계획을 세우고, 초안을 작성한 뒤, 추가 자료를 찾아가며 반복적으로 수정해나간다.

Google의 연구팀은 바로 이 점에 주목했다. 과연 AI도 인간처럼 “생각하고, 초안을 쓰고, 수정하는” 방식으로 연구할 수 있을까?

배경 및 문제 정의#

현재 Deep Research 에이전트의 한계#

OpenAI Deep Research, Perplexity Deep Research, Grok DeepSearch 등 기존의 Deep Research Agents은 대부분 Chain-of-Thought, Monte Carlo Tree Search, self-refinement 같은 test-time scaling 기법들을 조합해서 만들어졌다.

이러한 접근법은 다음과 같은 문제점들을 가지고 있다:

1. liner 또는 parallelized 방식: 계획 → 검색 → 생성을 순차적으로 처리
2. global context 손실: 긴 연구 과정에서 초기 정보가 손실되거나 일관성이 떨어짐
3. 인간 인지 과정과의 괴리: 실제 연구자의 작업 방식을 반영하지 못함, 복잡한 long-form 보고서 생성 시 성능 정체

인간의 연구 과정 vs Diffusion#

인지과학 연구에 따르면 인간이 복잡한 주제에 대해 글을 쓸 때는 다음과 같은 패턴을 보인다:

• High-level planning (전체 구조 설계)
• Draft writing (초안 작성)
• Multiple revision cycles (반복적 수정)
• Literature search during revision (수정 과정에서의 추가 자료 수집)

이는 diffusion model이 noise가 있는 이미지를 점진적으로 정제해나가는 과정 (denoising)과 매우 유사하다.

Diffusion으로 연구하는 AI Agent#

TTD-DR의 핵심 아이디어는 연구 보고서 생성을 diffusion 과정으로 모델링하는 것이다.

“We conceptualize the generation of a complex research report as a diffusion process where an initial, noisy draft is progressively refined into a high-quality final output.”

“우리는 복잡한 연구 보고서 생성을 초기의 노이즈가 있는 초안이 점진적으로 정제되어 고품질의 최종 결과물이 되는 diffusion 과정으로 개념화했다.”

두 가지 핵심 메커니즘#

1. Denoising with Retrieval

• 초기 연구 보고서(주로 LLM 내부 지식 기반)를 작성
• 각 denoising 단계에서 외부 정보 검색으로 내용을 보강
• 초안과 연구 계획이 다음 검색 방향을 동적으로 안내

2. Self-Evolution

• 각 구성요소(계획, 질문, 답변, 보고서 생성)를 개별적으로 최적화
• 다양한 지식 탐색을 장려하고 정보 손실을 완화
• diffusion 과정에 더 나은 context 제공

Test-Time Diffusion Deep Researcher (TTD-DR)#

: 3단계 Backbone Model + 2가지 Optimization 기법

Backbone Deep Research Agent#

TTD-DR의 기본 구조는 3단계로 구성된다:

Stage 1: Research Plan Generation

• 사용자 쿼리를 받아 구조화된 연구 계획 생성
• 최종 보고서에 필요한 핵심 영역들을 나열
• 후속 정보 수집 과정의 초기 가이드라인 역할

Stage 2: Iterative Search and Synthesis

• 2a) Search Question Generation: 연구 계획과 이전 컨텍스트를 바탕으로 검색 쿼리 생성
• 2b) Answer Searching: 외부 소스 검색하여 관련 문서 찾고 요약된 답변 반환
• 연구 계획이 충분히 커버되거나 최대 반복 횟수에 도달할 때까지 순환

Stage 3: Final Report Generation

• 1단계의 계획과 2단계의 질문-답변 쌍들을 종합
• 포괄적이고 일관성 있는 최종 보고서 생성

Component-wise Self-Evolution#

각 단계의 에이전트 성능을 개별적으로 향상시키는 알고리즘:

1. Initial States: 다양한 파라미터로 여러 답변 변형 생성 (temperature, top_k 조정)
2. Environmental Feedback: **LLM-as-a-judge*를 통해 Helpfulness, Comprehensiveness 평가
3. Revision Step: 피드백을 바탕으로 각 변형을 개선
4. Cross-over: 여러 개선된 변형들을 하나의 고품질 결과물로 통합

*LLM-as-a-judge: 다른 LLM이 생성한 텍스트의 품질을 평가하는 LLM

Report-level Denoising with Retrieval#

diffusion model의 sampling 과정에서 영감을 받은 핵심 알고리즘

• preliminary draft를 “noisy” 시작점으로 설정
• iterative refinement를 통해 점진적으로 품질 향상
• 각 단계에서 retrieval mechanism이 외부 정보를 동적으로 통합

계속 개선되는 초안이 검색을 안내하고, 검색이 초안을 정제하는 지속적인 피드백 루프이다. ****이를 통해 보고서의 일관성을 유지하면서 연구가 올바른 방향으로 진행되도록 한다.

실험 결과#

실험 세팅#

평가 데이터셋:

• LongForm Research: 205개 실제 산업 도메인 쿼리
• DeepConsult: 비즈니스/컨설팅 관련 Deep Research 프롬프트
• HLE-Search: Humanity’s Last Exam에서 검색이 필요한 쿼리 200개 선별
• GAIA: 실제 AI 능력 평가를 위한 multi-hop 질문 벤치마크

평가 방법:

• Side-by-side comparison: 두 보고서를 직접 비교하여 우수성 평가
• Helpfulness & Comprehensiveness: 장문 LLM 응답 평가
• Human-calibrated LLM-as-a-judge: 인간 평가자와의 alignment 비교

성능 비교#

요약#

1. 성능 우위: 장문 연구 보고서 생성 작업에서 기존 시스템들 대비 2-3배 이상의 승률
2. 효율적인 test-time scaling: 비슷한 latency time에서 더 나은 성능 달성
3. Self-evolution 효과: 검색 질문과 답변의 복잡도를 크게 향상시켜 정보의 풍부함 증대
4. Denoising 효과: 초기 9단계만으로도 최종 보고서 정보의 51.2% 통합

시사점#

학문적 의의#

TTD-DR은 인간의 인지 과정을 AI 시스템 설계에 체계적으로 반영한 첫 번째 시도로, 단순히 기존 기법들을 조합한 것이 아니라, 인지과학 연구에서 밝혀진 인간의 글쓰기 패턴을 diffusion 과정으로 추상화한 것이 기여한 부분이다.

또한 test-time scaling의 새로운 패러다임을 제시했다. 기존의 단순한 반복이나 샘플링 기법을 넘어, 구조화된 피드백 루프와 component-wise 최적화를 통해 효율적인 성능 향상을 달성했다.

산업적 영향#

현재 OpenAI, Perplexity, Anthropic 등이 경쟁하고 있는 AI Research Assistant 시장에 새로운 기준을 제시했다. 특히 기업 환경에서 요구되는 복잡한 시장 분석, 기술 동향 조사, 전략 기획 등의 작업에서 실질적 도움을 줄 수 있는 수준에 도달했다.

Google Cloud AI Research의 이번 연구는 검색 도구만으로도 최고 수준의 성과를 달성했다는 점에서 주목할 만하다. 많은 경쟁사들이 다양한 proprietary tool들을 통합하는 방향으로 가는 반면, 더 효율적인 알고리즘으로 같은 결과를 얻어낸 것이다.

한계와 향후 연구 방향#

논문에서 저자들이 명시적으로 인정한 한계점들이 있다:

1. 도구의 제약: 현재는 검색 도구만 사용하며, 웹 브라우징이나 코딩 도구는 미포함
2. Agent tuning 부재: test-time scaling에만 집중하고 학습 기반 최적화는 다루지 않음
3. 계산 비용: 여러 단계의 반복과 self-evolution으로 인한 높은 연산 비용

향후 연구에서는 multimodal 능력 통합, 더 다양한 도구 활용, 그리고 훈련 기반 접근법과의 결합이 주요 과제가 될 것으로 보인다.

결론#

TTD-DR은 단순히 성능 수치를 개선한 것을 넘어 AI 연구 에이전트 설계의 근본적 패러다임 전환을 제시했다. 인간의 연구 과정을 diffusion 프로세스로 모델링하고, 초안 중심의 반복적 정제 (refining) 방식을 도입한 것은 혁신적이다.

특히 복잡한 추가 도구 없이도 알고리즘적 개선만으로 기존 시스템들을 압도한 점은 인상적이다. 이는 AI 연구에서 “더 많은 데이터, 더 큰 모델, 더 복잡한 도구"가 항상 정답은 아닌 것 같다. (그래도 스케일링 법칙 못 참지)

하지만 실제 상용화 관점에서는 여전히 해결해야 할 과제들이 있다. 높은 계산 비용과 제한적인 도구 활용은 현실적인 제약이다. 그럼에도 불구하고 TTD-DR이 제시한 방향성-인간의 인지 과정 모방과 체계적인 피드백 루프-은 향후 AI Research Agent 발전의 중요한 발판이 될 것이다.

Google Cloud의 해당 연구는 AI가 단순한 질문답변 도구를 넘어 진정한 연구 파트너로 진화할 수 있는 가능성을 보여준 의미 있는 성과다.