From Proprietary to Open-Source: Bridging the Distribution Gap via Multi-Agent Protocol Distillation in Agentic Search

상용 모델의 추론 전략만 JSON 규약으로 뽑아 오픈모델에 넘기면 문체 오염 없이 싸게 검색 에이전트를 키운다.

MAPD는 상용 모델을 오프라인 교사로 써서 오픈소스 검색 에이전트를 키우는 증류와 강화학습 결합 방법이다. 멀티에이전트가 만든 구조화 JSON 규약이 교사와 학생을 잇는 다리 역할을 한다. 규약은 학습 때만 특권 정보로 쓰여 밀도 높은 지도신호를 주고 추론 비용은 0이다. Claude, GPT, Gemini 어떤 교사를 써도 성능이 비슷해 API를 자유롭게 갈아탈 수 있다.

핵심 요약

• 상용 모델을 오프라인 교사로만 쓰고 추론 비용은 0이다.
• 멀티에이전트가 만든 구조화 JSON 규약이 교사와 학생을 잇는다.
• 겉문체를 벗겨 스타일 오염과 환각을 줄인다.
• Qwen3-1.7B 39.4%, Qwen3-4B 44.4% 평균 성공률을 냈다.
• Claude, GPT, Gemini 교사 모두 2포인트 이내로 비슷해 API 교체가 자유롭다.
• 규약 합성은 전체 약 1,454달러로 한 번만 드는 일회성 비용이다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.