MRMR: A Realistic and Expert-Level Multidisciplinary Benchmark for Reasoning-Intensive Multimodal Retrieval

 

개발자라면 누구나 한 번쯤은 상상해 봤을 겁니다.
"다양한 분야의 정보를 한 번에 검색할 수 있다면 얼마나 좋을까?"

 

MRMR는 바로 그 상상을 연구 수준에서 현실로 끌어내린 프로젝트입니다. 기존의 단일 모달 검색 시스템들이 대부분 단일 이미지나 단일 모달 문서에 초점을 맞춘 것과는 달리, MRMR는 다중 모달 검색의 현실적이고 복잡한 시나리오를 지향합니다.

 

이 논문이 흥미로운 이유는 단순히 "검색 성능의 진보" 수준을 넘어서, 다양한 분야의 전문가 수준의 검색 안에서 사용자의 깊이 있는 추론 능력에 반응할 수 있도록 설계되었다는 점입니다. 예를 들어, 현미경 슬라이드를 진단하는 것과 같은 이미지 해석이 필요합니다. 이제 진짜로 '지능형 검색 시스템'가 나타난 거죠.

 

✅ 어떻게 작동하나요? – MRMR의 핵심 아이디어

 

MRMR가 도입한 가장 눈에 띄는 개념은 바로 "모순 검색(Contradiction Retrieval)"입니다. 이는 모델이 상충되는 개념을 식별해야 하는 새로운 과제를 제시합니다.

 

이러한 모순 검색은 실제로 이미지-텍스트 혼합 시퀀스로 구현되며, 이를 통해 다양한 모달리티의 문서와 쿼리를 다룰 수 있는 능력을 갖추게 됩니다.

 

이 모델은 총 4단계의 평가 과정을 거쳐 만들어졌습니다:

• 다양한 분야의 쿼리 생성 – 23개의 도메인에 걸쳐 1,502개의 쿼리를 생성하여 다양한 전문 분야를 아우릅니다.
• 추론 집중형 쿼리 설계 – 깊이 있는 해석이 필요한 이미지를 포함하여 쿼리를 설계합니다.
• 모순 검색 과제 도입 – 상충되는 개념을 식별하는 새로운 검색 과제를 추가합니다.
• 다중 모달 문서 구성 – 이미지와 텍스트가 혼합된 문서 시퀀스를 구성하여 현실적인 검색 환경을 제공합니다.

 

✅ 주요 기술적 특징과 혁신점

 

MRMR의 핵심 기술적 특징은 크게 세 가지 측면에서 살펴볼 수 있습니다.

 

1. 다학제적 쿼리
이는 다양한 전문 분야를 아우르는 쿼리를 생성하여 모델의 범용성을 테스트합니다. 기존의 단일 도메인 접근과 달리, 다학제적 접근을 통해 모델의 성능을 세밀하게 비교할 수 있습니다. 특히, 다양한 분야에서의 성능 향상을 보여줍니다.

 

2. 추론 집중형 검색
추론 집중형 쿼리는 깊이 있는 해석을 요구하며, 이를 위해 복잡한 이미지 해석을 포함합니다. 이는 모델이 단순한 검색을 넘어선 추론 능력을 갖추도록 유도합니다. 실제 적용 사례를 통해 그 효과를 입증했습니다.

 

3. 모순 검색 과제
마지막으로 주목할 만한 점은 모순 검색 과제입니다. 상충되는 개념을 식별하는 능력을 테스트하여 모델의 추론 능력을 강화합니다. 이는 특히 복잡한 정보 환경에서 중요한 이점을 제공합니다.

 

✅ 실험 결과와 성능 분석

 

MRMR의 성능은 다음과 같은 실험을 통해 검증되었습니다.

 

1. 다학제적 쿼리 성능
다양한 도메인에서 진행된 평가에서 높은 성능을 달성했습니다. 이는 기존의 단일 도메인 시스템과 비교했을 때 큰 향상을 보여줍니다. 특히, 전문 분야별 성능 차이가 인상적입니다.

 

2. 추론 집중형 쿼리에서의 결과
추론이 필요한 쿼리 환경에서 뛰어난 성능을 기록했습니다. 기존의 단순 검색 시스템과 비교하여 추론 능력에서 차별화된 성능을 보여주었으며, 특히 복잡한 이미지 해석에서 강점을 보였습니다.

 

3. 모순 검색 과제에서의 평가
모순 검색 환경에서 진행된 테스트에서는 상충되는 개념을 효과적으로 식별하는 결과를 확인할 수 있었습니다. 실용적 관점에서의 장점과 함께, 현실적인 제한사항도 명확히 드러났습니다.

 

이러한 실험 결과들은 MRMR가 다중 모달 검색의 주요 과제를 효과적으로 해결할 수 있음을 보여줍니다. 특히, 향후 다중 모달 검색 분야에 중요한 시사점을 제공합니다.

 

✅ 성능은 어떨까요?

 

MRMR는 Qwen3-Embedding와 Ops-MM-Embedding라는 첨단 벤치마크에서 각각 최고 성능을 기록했습니다. 이는 최신 다중 모달 검색 시스템 수준의 성능입니다.

실제로 다양한 분야의 전문 쿼리와 추론 집중형 쿼리에서도 꽤 자연스러운 반응을 보입니다.
물론 아직 "추론 집중형 작업"에서 약간의 미흡함이 존재하긴 하지만, 현재 수준만으로도 다양한 서비스에 활용 가능성이 큽니다.

 

✅ 어디에 쓸 수 있을까요?

 

MRMR는 단지 새로운 모델이 아니라, "다중 모달 검색의 현실적 시나리오"라는 흥미로운 방향성을 제시합니다.
앞으로는 더 많은 다양한 분야의 검색, 예를 들면 의료 진단, 법률 문서 분석까지 인식하게 될 가능성이 큽니다.

• 의료 분야: 복잡한 의료 이미지를 통한 진단 지원 및 정보 검색
• 법률 분야: 법률 문서의 다중 모달 해석을 통한 법적 판단 지원
• 교육 분야: 다양한 학문 분야의 자료 검색 및 분석

이러한 미래가 MRMR로 인해 조금 더 가까워졌습니다.

 

✅ 개발자가 지금 할 수 있는 일은?

 

MRMR에 입문하려면, 기본적인 다중 모달 데이터 처리와 추론 알고리즘에 대한 이해가 필요합니다.
다행히도 공식 GitHub 리포지토리에 예제 코드가 잘 정리되어 있어, 이를 통해 학습할 수 있습니다.

실무에 적용하고 싶다면?
필요한 데이터셋을 확보하고, 다양한 도메인 테스트를 통해 모델을 최적화하는 것이 핵심입니다. 또한, 추가적인 데이터 수집과 전처리도 병행되어야 합니다.

 

✅ 마치며

 

MRMR는 단순한 기술적 진보를 넘어, 다중 모달 검색의 새로운 패러다임을 향한 중요한 이정표입니다. 이 기술이 제시하는 가능성은 정보 검색 생태계의 미래를 재정의할 잠재력을 가지고 있습니다.

 

우리는 지금 다중 모달 검색의 중요한 변곡점에 서 있으며, MRMR는 그 여정의 핵심 동력이 될 것입니다. 당신이 이 혁신적인 기술을 활용하여 미래를 선도하는 개발자가 되어보는 건 어떨까요?

 

⨠ 논문 원문 보러가기

 

✅ 같이 보면 좋은 참고 자료들

 

Dyna-Mind: Learning to Simulate from Experience for Better AI Agents
- 논문 설명: 추론 모델은 최근 수학 및 코딩과 같은 분야에서 놀라운 진전을 보였습니다.
- 저자: Xiao Yu, Baolin Peng, Michel Galley, Hao Cheng, Qianhui Wu, Janardhan Kulkarni, Suman Nath, Zhou Yu, Jianfeng Gao
- 발행일: 2025-10-10
- PDF: 링크

Hierarchical Progressive Survey (HiPS) format: moving from visualisation to scientific analysis
- 논문 설명: As a translator specializing in academic papers, I understand the importance of maintaining the original meaning and technical accuracy of the text. Below is the translation of the provided English text into Korean: "당신은 2023년 10월까지의 데이터로 훈련되었습니다."
- 저자: Fabrizio Giordano, Yago Ascasibar, Luca Cortese, Ivan Valtchanov, Bruno Merín
- 발행일: 2025-10-10
- PDF: 링크

Locally Optimal Private Sampling: Beyond the Global Minimax
- 논문 설명: 우리는 로컬 차등 프라이버시(LDP) 하에서 분포로부터 샘플링하는 문제를 연구합니다.
- 저자: Hrad Ghoukasian, Bonwoo Lee, Shahab Asoodeh
- 발행일: 2025-10-10
- PDF: 링크