[논문 리뷰] Yunque DeepResearch Technical Report

Yuxuan Cai, Xinyi Lai외 9명|arXiv (Cornell University)|2026. 01. 27.

Multimodal Machine Learning Applications인용 수 0

한 줄 요약

Yunque DeepResearch는 중앙 오케스트레이션, 동적 맥락 관리, 선제적 감독을 통해 안정적인 장기 심층 연구를 가능하게 하는 계층적이고 모듈식의 다중 에이전트 프레임워크이며, 여러 에이전트 벤치마크에서 최첨단 성과를 달성합니다.

ABSTRACT

Deep research has emerged as a transformative capability for autonomous agents, empowering Large Language Models to navigate complex, open-ended tasks. However, realizing its full potential is hindered by critical limitations, including escalating contextual noise in long-horizon tasks, fragility leading to cascading errors, and a lack of modular extensibility. To address these challenges, we introduce Yunque DeepResearch, a hierarchical, modular, and robust framework. The architecture is characterized by three key components: (1) a centralized Multi-Agent Orchestration System that routes subtasks to an Atomic Capability Pool of tools and specialized sub-agents; (2) a Dynamic Context Management mechanism that structures completed sub-goals into semantic summaries to mitigate information overload; and (3) a proactive Supervisor Module that ensures resilience through active anomaly detection and context pruning. Yunque DeepResearch achieves state-of-the-art performance across a range of agentic deep research benchmarks, including GAIA, BrowseComp, BrowseComp-ZH, and Humanity's Last Exam. We open-source the framework, reproducible implementations, and application cases to empower the community.

연구 동기 및 목표

• 기존 심층 연구 에이전트의 인지 과부하, 취약성, 모듈식 확장성 부족을 해결한다.
• Atomic Capability Pool과 Main Agent를 통해 계획과 실행을 분리하는 계층적 아키텍처를 제안한다.
• 길게 가는 추론을 지속하기 위한 동적 하위 목표 기반 메모리 및 맥락 관리 개발.
• 강건성을 향상시키기 위한 이상 탐지, 맥락 가지치기, 자기 교정을 위한 Supervisor 모듈 도입.
• 프레임워크를 오픈소스로 공개하고 재현 가능한 구현 및 응용을 제공한다.

제안 방법

• Main Agent, Context Manager, Atomic Capability Pool, Supervisor의 4모듈 아키텍처를 도입한다.
• 사용자 의도를 분해하고 기본 도구나 전문 하위 에이전트로 작업을 동적 디스패치를 통해 라우팅하기 위해 중앙 집중식 Main Agent를 활용한다.
• 구조화된 메모리 생성 및 동적 맥락 관리를 구현하여 장기적 궤적을 의미론적 하위 목표로 압축한다.
• 전문화된 하위 에이전트(예: Browser-Use GUI Agent, Data Analysis Agent)와 기본 도구를 포함하는 Atomic Capability Pool을 생성한다.
• 이상 진단, 궤적 가지치기, 재생성을 갖춘 적응형 Supervisor를 도입하여 실패에서 회복한다.
• GAIA, BrowseComp, BrowseComp-ZH, Humanity’s Last Exam에서 Pass@1 및 Pass@N 지표로 평가한다.

실험 결과

연구 질문

• RQ1 모듈식이고 계층적인 아키텍처가 장기 과제에서 심층 연구 에이전트의 강건성과 확장성을 개선할 수 있는가?
• RQ2 동적 메모리 관리가 에이전트적 추론에서 정보 과부하와 작업 충실도에 어떤 영향을 미치는가?
• RQ3 전문화된 하위 에이전트와 오케스트레이션 계층이 다양한 벤치마크에서 성능을 얼마나 향상시키는가?

주요 결과

벤치마크	BrowseComp	BrowseComp-ZH	GAIA	Humanity’s Last Exam	모델
Yunque DeepResearch	62.5	75.9	78.6	51.7	Gemini

• Yunque DeepResearch는 BrowseComp, BrowseComp-ZH, Humanity’s Last Exam 벤치마크에서 Gemini를 백본으로 사용할 때 각각 62.5, 75.9, 51.7의 최첨단 성과를 달성한다.
• GAIA에서 78.6을 달성하여 평가된 모델 중 두 번째로 랭크된다.
• 기본 모델의 성능(예: Gemini 3 Pro)을 벤치마크 전반에서 눈에 띄는 향상으로 끌어올려 강력한 백본 비종속적 개선을 보여준다.
• 고찰 연구에서 메모리, supervisor, 전문 에이전트가 중요하다는 것이 나타났고, 메모리나 supervisor를 제거하면 성능이 크게 저하되며, 전문 에이전트를 제거해도 결과가 악화된다.
• 프레임워크는 완료된 하위 목표를 구조화된 메모리에 접어 넣어 강건성을 유지하고 맥락 폭주를 감소시켜 선형적으로 늘어나는 기록 없이도 장기 추론을 가능하게 한다.