[논문리뷰] Web-CogReasoner: Towards Knowledge-Induced Cognitive Reasoning for Web Agents

링크: 논문 PDF로 바로 열기

저자: Yuhan Guo, Cong Guo, Aiwen Sun, Hongliang He, Xinyu Yang, Yue Lu, Yingji Zhang, Xuntao Guo, Dong Zhang, Jianzhuang Liu, Jiang Duan, Yijia Xiao, Liangjian Wen, Hai-Ming Xu, Yong Dai

핵심 연구 목표

본 연구는 웹 에이전트가 인간의 인지 추론과 유사하게 동작하도록, 충분한 지식을 습득하여 효과적인 추론 능력을 갖추는 것을 목표로 합니다. 특히, Bloom의 교육 분류학에서 영감을 받아 지식 내용 학습과 인지 과정이라는 두 가지 필수 단계로 웹 에이전트의 역량을 분해하여 해결하고자 합니다.

핵심 방법론

웹 에이전트의 지식 체계를 사실적(Factual), 개념적(Conceptual), 절차적(Procedural) 세 가지 지식 유형으로 분류하는 Web-CogKnowledge 프레임워크를 제안합니다. 이 프레임워크 기반 지식 습득을 위해 14개 실제 웹사이트에서 큐레이션한 81K 규모의 Web-CogDataset을 구축하고, 이를 활용하여 Qwen2.5-VL-7B를 기반으로 한 Web-CogReasoner를 지식 기반 Chain-of-Thought (CoT) 추론 방식으로 학습시켰습니다. 또한, 종합적인 평가를 위해 Web-CogBench를 개발했습니다.

주요 결과

Web-CogBench에서 Web-CogReasoner는 84.4%의 전체 정확도를 달성하여 Gemini 2.5 Pro (80.2%) 및 Qwen2.5-VL-7B (69.8%)를 포함한 기존 모델들을 뛰어넘었습니다. 특히, 어블레이션 연구를 통해 사실적 지식 학습이 기억 (Memorizing) 성능을 +16.9% 향상시키고, 개념적 지식 학습이 이해 (Understanding) 성능을 +11.3% 향상시키며, 절차적 지식 학습이 탐색 (Exploring) 성능을 +7.1% 향상시켜 단계별 지식 습득의 중요성을 입증했습니다.

AI 실무자를 위한 시사점

본 연구는 웹 에이전트 개발에 있어 체계적인 지식 습득의 중요성을 강조하며, 단순한 대규모 데이터 학습을 넘어선 인지적 추론 능력의 필요성을 제시합니다. 공개된 Web-CogDataset과 Web-CogBench는 웹 에이전트의 일반화 및 강건성 향상을 위한 새로운 연구 방향을 제시하며, 실무자들이 지식 주도적 접근 방식을 활용하여 보다 신뢰성 있는 웹 자동화 솔루션을 구축하는 데 기여할 수 있습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.