QAnything 두 단계 검색 아키텍처

QAnything는 두 단계 검색(리트리버 + 리랭커) 구조를 채택해 높은 정확도를 얻어요. 1단계에서 빠르게 후보를 검색하고, 2단계에서 정밀 리랭킹을 수행해 최종 답변 품질을 높여요.

1단계: 리트리버 (Retriever)

임베딩 모델로 문서를 벡터화하고 유사도 검색으로 관련 후보를 빠르게 뽑아요. QAnything는 BCEmbedding을 검색 컴포넌트로 사용하는데, 이중언어·교차언어 능력이 뛰어나요. bce-embedding-base_v1은 리랭커 없이 쓸 때 다른 임베딩 모델보다 우수한 성능을 보여요.

2단계: 리랭커 (Reranker)

검색된 후보를 리랭커가 다시 평가해 정밀하게 재정렬해요. bce-reranker-base_v1은 임베딩 모델을 고정했을 때 최고 성능을 내요. bce-embedding-base_v1 + bce-reranker-base_v1 조합이 SOTA예요.

두 단계 리랭킹 이후에는 정확도가 안정적으로 오르며, 데이터가 많을수록 성능 향상이 커져요.

임베딩·리랭크 분리 사용

임베딩과 리랭크를 각각 별도로 쓰고 싶다면 BCEmbedding 프로젝트를 참고해요.

기반 LLM

QAnything의 오픈소스 버전은 QwenLM을 기반으로 하고, 전문 질문-답변 데이터셋으로 대량 파인튜닝해 질문-답변 능력을 크게 강화했어요. 상업용으로 쓰려면 QwenLM의 라이선스를 확인해야 해요.

더 알아보기 (Learn more)

출처: QAnything 공식 저장소