대규모 언어 모델(LLMs)과의 상호작용은 종종 매개변수 지식과 검색 증강 생성(retrieval-augmented generation, RAG)을 모두 활용하여 길고 상세한 응답을 생성한다. 이러한 응답은 풍부한 통찰을 제공할 수 있으나, 사용자 관심사와 일치하지 않으며 중복되거나 덜 흥미로운 내용이 포함되는 경우가 흔하다. 이 문제는 사용자가 포함 또는 제외할 특정 하위 주제를 지정하는 경우, 즉 범위 조건부(coverage-conditioned) (C 2 ) 질의에서 두드러지는데, LLM들이 종종 맞춤형 응답을 제공하는 데 어려움을 겪기 때문이다. 이러한 도전에 대응하기 위해 본 연구는 질의 개요(query outline), 즉 특정 사용자 요구를 충족하는 응답을 생성하도록 LLM을 안내하기 위해 설계된 하위 질의의 순차적 구성(sequence of subqueries) 역할을 조사한다. 이러한 개요를 체계적으로 생성하고 평가하기 위해, 우리는 QTREE를 제안한다. QTREE는 C 2 시나리오 1 에서 개요 생성 및 평가를 위한 구조화된 경계를 정의하는 1만 개의 계층적 정보 탐색 하위 질의(hierarchical sets of information-seeking subqueries)로 구성된 데이터셋이다. 또한 QTREE의 경계 내에서 맞춤형 개요를 생성하도록 학습된 7B 언어 모델인 QPLANNER를 개발한다. 생성된 개요의 효과는 자동 및 사람 평가를 통해 검증하며, 특히 검색 증강 생성(RAG) 시스템 내에서의 영향을 중심으로 분석한다. 실험 결과는 QPLANNER가, 특히 DPO와 같은 정렬(alignment) 기법으로 학습된 경우, 다양한 사용자 요구를 더 잘 충족하는 고품질 개요를 생성함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.