AI 연구연구 프리프린트
한 문서에 여러 판단을 한 번에…반복 인코딩 줄인 395M 판단 모델
원문 읽기 · arxiv.org ↗(새 탭에서 열림)한 이메일이나 고객 문의에 답장 필요성·긴급도·담당자처럼 여러 질문을 할 때 각각 내용을 다시 읽으면 비용이 늘어난다. Verdict-MQ는 상태를 한 번 인코딩하고 질문들이 서로 간섭하지 않도록 구조화한 주의력으로 여러 선택형 판단의 확률을 출력한다.
연구 방법
- 395M 모델을 합성 typed-decisions 전문 벤치마크 400사례·2000판단에 평가했다. 공개 Laya 421M 전문 모델과 비교하면 KL 발산은 0.117→0.080, Brier 점수는 0.061→0.045로 낮았다. 별도 대조에서는 각 질문마다 상태를 따로 읽으면 RACE·MultiRC 성적이 0.9~3.5점 나아지지만 사례별 지연시간은 1.4~2.5배였다.
평가 결과
- 정확도 0.801 대 Laya 0.767은 높은 수치처럼 보이나 벤치마크의 작은 채점 교사와 더 닮은 결과일 수 있어 실제 결정 품질 우위로 해석하지 않았다. RACE·BoolQ·MultiRC에서는 일관된 우위가 없고 BoolQ 훈련은 불안정했다.
적용 조건
- 주요 벤치마크는 작고 합성 자료이며 비심사·소형 교사 표지에 의존한다. 논문의 전문 모델 결과를 모든 조직의 이메일·보안 판단에 일반화할 수 없다. 자동 처리 임계값 운영에는 업무별 확률 보정과 사람 검토가 필요하다.
함께 확인할 조건
- 주요 벤치마크는 작고 합성 자료이며 비심사·소형 교사 표지에 의존한다. 논문의 전문 모델 결과를 모든 조직의 이메일·보안 판단에 일반화할 수 없다. 자동 처리 임계값 운영에는 업무별 확률 보정과 사람 검토가 필요하다.
출처와 편집 기준
arxiv.org · 연구 프리프린트 · 검수 2026.10.19 (KST)
요약은 원문의 핵심을 정리했으며, 커머스 인사이트는 편집 해석이다.