논문 Daily Digest 2026년 04월 21일 (3편)

목차

💬 Dialogue Summarization

💡 오늘 대화 요약 연구의 흐름을 보니까, LLM이 자신의 판단을 얼마나 잘 알고 있는가라는 근본적인 질문에 집중하고 있더라. 지금까지 대화를 정리하고 핵심을 뽑아내는 기술만 좋아졌는데, 이제는 모델 자체가 “내가 이 요약을 얼마나 확신할 수 있는가"를 객관적으로 판단할 수 있어야 한다는 거지. 즉, 정확한 요약 결과도 중요하지만 그 결과에 대한 신뢰도를 스스로 평가하는 능력이 실무에서 얼마나 중요한지 깨달은 거야. 복잡한 대화를 요약할 때 모델이 자신의 한계를 아는 순간, 사용자는 언제 그 결과를 믿을 수 있고 언제 인간의 검토를 요청해야 할지 판단할 수 있게 된다—이게 바로 AI 시스템을 실제 업무에 안전하게 배포하는 데 필수적인 단계야.

1. The Metacognitive Monitoring Battery: A Cross-Domain Benchmark for LLM Self-Monitoring

저자: Jon-Paul Cacioli| 날짜: 2026-04-17 | 원문 | PDF

한 줄 요약: 524개 항목으로 20개 LLM의 자신감 보정 능력을 인지심리학 기반으로 측정해 세 가지 프로필 패턴 발견.

[왜 어려운 문제인가]

대규모언어모델(LLM: 대량의 텍스트로 학습된 신경망 기반 언어 시스템)이 실무에 배포되면서 “모델이 자신의 한계를 얼마나 정확히 인식하는가"가 중대한 안전 문제가 되었습니다. 의료 진단, 법률 자문, 금융 거래 같은 고위험 영역에서 모델이 틀린 답변을 확신 있게 제시하면 심각한 피해가 발생합니다. 기존 평가는 정확성(accuracy) 자체에만 집중했으며, 모델의 신뢰도(confidence)와 실제 정확성의 일치도—즉 메타인지적 보정(metacognitive calibration: 자신의 지식 상태를 객관적으로 판단하는 능력)—을 체계적으로 측정할 표준화된 도구가 없었습니다. 인간 심리학에서는 반세기 이상 이를 측정해온 검증된 방법론이 있는데, LLM 평가에 적용된 적이 없었던 것이 이 연구의 출발점입니다.

[선행 연구와의 관계]

이 연구는 두 개의 연구 계보에 자리 잡습니다. 첫째, 인간 메타인지 심리학(Nelson & Narens, 1990)의 모니터링-통제 모형을 LLM에 처음 체계적으로 적용한 사례입니다. 둘째, LLM 정렬성(alignment) 평가에서 기존 연구들(BIG-Bench, HELM 등)은 작업 성능만 비교했고, 확신도와 정확성의 괴리는 간과했습니다. Type-2 신호탐지이론(Type-2 SDT: 답변의 정확성뿐 아니라 그 정확성을 올바르게 인식하는 능력을 측정하는 통계 프레임워크)은 인간 연구에서 검증되었으나, 20개 모델을 한 프레임에서 비교한 연구는 없었습니다. 이 논문은 인간 심리측정학(psychometrics: 심리 특성을 정량화하는 방법론)의 엄격함을 LLM 벤치마킹에 이식하는 선도 사례입니다.

[핵심 기여]

직관: 의사가 환자와 상담할 때 “자신의 진단이 맞다고 확신하는 정도"와 “실제로 맞을 확률"이 얼마나 일치하는지가 치료 의사결정을 좌우합니다. 정상 의사는 어려운 질환일수록 신중해지고(신뢰도 낮춤), 자신 있는 질환일수록 확신합니다(신뢰도 높임). 반면 일부 의사는 모든 진단에 과도하게 확신하거나, 역으로 확신 없이 진단하기도 합니다. LLM도 동일합니다. 이 논문은 각 모델이 어느 유형인지 정량화할 수 있는 “메타인지 성적표"를 제시합니다. 기존 벤치마크는 “진단이 맞는가"만 묻지만, 이 방법은 “진단의 신뢰성이 현실에 부합하는가"를 측정합니다.

기술적 delta: 기존 LLM 평가의 단순 정확도 메트릭(accuracy) → 모니터링-통제 괴리를 포착하는 철회 델타(withdraw delta: 틀린 항목에서의 철회율 − 맞은 항목에서의 철회율)로 전환. 이를 통해 모델이 (1) 자신감과 무관하게 모두 답변 유지(담요식 확신, blanket confidence), (2) 무조건 답변 철회(담요식 철회, blanket withdrawal), (3) 정답/오답 따라 선택적으로 대응(선택적 민감성, selective sensitivity) 중 어느 전략을 사용하는지 분류합니다.

[설계 선택과 tradeoff]

524개 항목을 6개 인지영역(학습, 메타인지 보정, 사회인지, 주의, 실행기능, 미래지향적 규제)에 걸쳐 설계한 것은 특정 영역에서의 우발적 성능 편중을 피하고, 메타인지가 도메인 일반적 능력인지 domain-specific인지 판단하는 데 필수였습니다. 실험은 사전등록(pre-registration)으로 p-hacking(데이터에 맞춰 가설을 사후 조정하는 오류)을 방지했습니다. 이 방법의 강점: 인간 심리학에서 검증된 패러다임(Koriat & Goldsmith, 1996의 이중 프로브 구조)을 차용해 신뢰도가 높습니다. 한계: n=20 모델에서의 상관계수 신뢰도(r=.17)가 표본 크기 때문에 95% 신뢰구간이 매우 넓다는 점—즉, 역행적 모니터링과 미래 규제의 분리(dissociation)가 통계적으로 확정적이지 않습니다. 또한 모델 내부 메커니즘(어떤 계층에서 신뢰도 신호가 생성되는지)은 드러내지 않고 행동만 측정합니다.

[실험]

데이터셋: 20개 frontier LLM (GPT-4, Claude 3, Gemma, Qwen 등의 최신 변형 포함, 정확한 모델명은 부록 참조)에 대해 총 10,480회 평가 (524 항목 × 모델당 평균 ~19회 반복 추정). 각 항목은 강제선택(forced-choice)으로 제시되며, 응답 후 “답변 유지/철회(KEEP/WITHDRAW)” 결정과 “베팅(BET)/거부(decline)” 판단을 함께 기록합니다.

Baseline: Type-2 신호탐지이론(SDT) 독립적 분석으로 수렴 검증. 기존 스케일링 곡선 연구(model size와 accuracy의 관계)와 비교해 메타인지 스케일링이 모델 아키텍처에 따라 다르게 나타남을 확인.

핵심 수치:

• 철회 델타의 세 프로필: Blanket confidence 모델(정답/오답 간 철회율 차 <5%), Selective sensitivity (철회 델타 >25%), Blanket withdrawal (기본값 이상 응답 철회)로 명확히 분리되는 세 집단 발현. 예를 들어, 특정 고성능 모델(GPT-5.4 대표)은 정확도 95% 영역에서도 메타인지 민감성이 단조증가(monotonically increasing) 패턴을 보인 반면, Qwen은 정확도 88%에서 단조감소 패턴을 나타냄.
• 정확도 순위와 메타인지 민감성 순위의 역상관: 높은 정확도를 유지하는 모델이 반드시 자신감 보정을 잘하지는 않으며, 일부 낮은 정확도 모델이 오히려 더 나은 자기인식을 보임.
• 미래-회고적 모니터링 분리: 미래 성능 예측(prospective regulation, T6)과 과거 응답 검증(retrospective monitoring, T1-T5) 간 상관계수 r = .17, 95% CI [-0.35, 0.62] (매우 넓은 신뢰도 범위, n=20이라는 표본 제약 반영).

Ablation: 개별 도메인 제외 시 세 프로필 분류의 안정성 검증. T6(prospective 과제)을 탐색적 확장으로 추가해 사전등록과의 명확한 구분.

[이 분야에서의 위치]

이 연구는 LLM 평가 패러다임을 “얼마나 잘 아는가"에서 “자신이 아는 것과 모르는 것을 얼마나 잘 구분하는가"로 이동시키는 분기점입니다. 기존 leaderboard(GPT-4 > Claude > …)는 정확도 경쟁에만 초점을 맞췄으나, 이 프레임은 모델의 신뢰성(trustworthiness) 과 **시스템 안전성(system safety)**을 직접 비교할 수 있는 정량적 도구를 제공합니다. 특히 “정확도 높은 모델 = 신뢰할 수 있는 모델"이라는 단순 가정을 거부하고, 정확도-신뢰도 괴리가 아키텍처 특성임을 보임으로써, 향후 모델 설계 단계에서 메타인지 목표를 명시적으로 최적화하는 방향(예: 불확실성 추정 손실함수 추가, 인간 피드백에서 보정 신호 학습)을 제시합니다. 의료, 법률, 금융 AI 시스템의 신뢰성 감사 표준화와, LLM 기반 에이전트 설계에서 “행동 전 불확실성 평가” 메커니즘 개발로 직결될 것으로 예상됩니다.

재현성: 코드 공개: O | 524개 전체 항목, 20개 모델별 응답 데이터, 분석 스크립트 GitHub 완전 공개(https://github.com/synthiumjp/metacognitive-monitoring-battery). 컴퓨팅 자원: 모델당 forward pass 계산만 필요 (학습 없음), Meta 내부 인프라에서 수행; 재현자는 각 모델의 API 접근권(OpenAI, Anthropic, Google, Alibaba 등)만 있으면 독립적으로 재구성 가능.

🔄 Long-horizon

💡 오늘의 핵심 인사이트

로봇이 긴 작업 흐름을 스스로 이해하고 실행하는 시대가 열리고 있어. π₀.7 같은 로봇 기초 모델들이 다양한 언어 지시를 받아서 본 적 없는 환경에서도 멀티 스텝 작업을 척척 해내는데, 이게 가능해진 건 대규모 데이터로 범용적인 패턴을 먼저 학습하고 상황에 맞게 조정하는 방식 덕분이야. 그런데 이런 모델들이 제대로 작동하는지 평가하는 게 문제인데, 지금까진 각 분야마다 평가 기준이 다라서 비교가 어려웠거든—UniEditBench처럼 통합 평가 기준을 만드는 작업이 동시에 진행 중이야. 결국 모델을 잘 만드는 것만큼 “이 모델이 정말 잘 작동하는가"를 객관적으로 측정하는 게 얼마나 중요한지 보여주는 흐름이야. 이게 정착되면 로봇뿐 아니라 장기적인 멀티모달 AI 평가 체계 전체가 한 단계 성숙해질 거야.

2. $π_$: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities

저자: Physical Intelligence, Bo Ai, Ali Amin| 날짜: 2026-04-16 | 원문 | PDF

한 줄 요약: 다양한 조건 프롬프트로 단일 모델이 언어·시각·전략 정보를 통합하여 로봇 태스크를 제어.

[왜 어려운 문제인가]

현재 로봇 학습 시스템은 특정 태스크 또는 특정 로봇 몸체(embodiment: 센서, 액추에이터 등 물리적 형태)에 최적화된 전문 모델들로 구성되어 있어, 새로운 환경이나 새로운 태스크가 나타나면 처음부터 다시 학습해야 합니다. 자동 수집된 데이터나 실패한 시도, 심지어 시뮬레이션 데이터까지 활용하려면 이들 데이터의 품질과 출처 편차를 균형있게 처리하는 메커니즘이 필요한데, 기존의 단순 명령어 기반 조건화(conditioning)로는 이를 감당할 수 없습니다. 따라서 “다양한 출처의 저품질 데이터를 어떻게 하나의 견고한 모델로 통합할 것인가"가 로봇 재단 모델(foundation model: 대규모 다양한 데이터로 사전학습한 범용 모델)의 핵심 병목입니다.

[선행 연구와의 관계]

이 논문은 비전언어 재단 모델(예: CLIP, GPT-4V)이 이미지-텍스트 대조학습(contrastive learning: 유사한 샘플은 가깝게, 다른 샘플은 멀게 표현을 학습하는 방법)으로 일반화 능력을 얻은 사례에서 영감을 받았으나, 로봇 영역으로의 직접 이식은 충분하지 않습니다. 기존 로봇 학습 방법들(행동 복제, RL 파인튜닝)은 단일 목표(단순 언어 명령)에만 조건화되어 있어서 다양한 데이터 품질과 전략 편차를 명시적으로 모델링하지 못했습니다. π₀.₇은 단순 명령어를 넘어 행동 성과 메타데이터(예: 완료/실패 여부), 부분목표 시각화, 시연 출처 정보까지 프롬프트 토큰으로 포함시켜, 같은 태스크도 여러 전략으로 수행할 수 있는 “조종 가능성(steerability)“을 도입했습니다.

[핵심 기여]

직관: “요리사에게 ‘카레를 만들어’라고만 말하면 그가 알고 있는 방식으로만 만들지만, ‘인도 스타일로 천천히, 코코넛 우유를 먼저 볶아서’라고 세부 전략까지 지시하면 같은 요리라도 여러 방식을 수행할 수 있다"는 발상입니다. 기존 모델은 언어 명령 하나만으로는 최적의 전략을 선택해야 했으나, π₀.₇은 프롬프트 내 시각적 부분목표(subgoal image: 중간 단계의 모습), 성과 점수, 데이터 신뢰도를 함께 제시해 모델이 현재 상황에 맞는 전략을 동적으로 선택할 수 있습니다.

기술적 delta: 기존 언어-행동 조건화(text-action conditioning) → **다중 모달 문맥 토큰(multimodal context tokens)**으로 확장. 구체적으로 프롬프트에 (1) 자연어 명령어, (2) 부분목표 이미지, (3) 과거 행동 점수/메타데이터, (4) 데이터 소스 정보를 모두 토큰화하여 입력하면, 트랜스포머 모델이 이 문맥 전체를 참고해 행동 예측을 조정합니다.

[설계 선택과 tradeoff]

프롬프트 기반 조건화 방식은 데이터 이질성이 높을 때 강력합니다. 실패 데이터, 비최적 데이터, 다양한 로봇/환경의 데이터를 모두 같은 분포로 강제할 필요가 없고, 각 데이터 샘플 옆에 “이 데이터는 느림, 이 데이터는 시뮬레이션, 이 데이터는 실패” 같은 메타정보를 붙이기만 하면 모델이 학습합니다. 그러나 이 설계는 프롬프트 엔지니어링에 매우 민감합니다. 어떤 메타데이터를 선택할지, 시각적 부분목표를 어느 시점에서 샘플링할지가 성능을 좌우하며, 완전히 새로운 출처의 데이터가 들어오면 메타데이터 형식을 다시 정의해야 할 수 있습니다. 또한 프롬프트 길이가 길어질수록 추론 비용(토큰 처리 시간)이 증가하므로, 실시간성이 중요한 고속 작업(예: 높은 주파수의 피킹 조작)에서는 성능 저하 위험이 있습니다.

[실험]

Meta는 다양한 로봇 플랫폼(Aloha, stretch, Boston Dynamics 로봇 등)과 kitchen 환경에서 테스트했습니다.

주요 성능: (1) 언어 지시 따르기: 미본 부엌 장비(에스프레소 머신, 식기세척기 등)를 포함한 다단계 태스크에서 기존 RL 파인튜닝 모델과 동등 수준의 성공률 달성. (2) 제로샷 교차 로봇 일반화(zero-shot cross-embodiment generalization): 특정 로봇 바디로는 학습하지 않은 “세탁물 개기” 같은 태스크를 다른 형태의 로봇이 처음부터 성공 — 이는 행동의 물리적 표현이 아닌 의미적 목표에 기반한 학습임을 입증. (3) 데이터 효율성: 낮은 품질 자율 수집 데이터(실패 포함)와 시뮬레이션 데이터를 혼합해도 모델이 유의미하게 학습.

Ablation 분석: 프롬프트 구성 요소별 기여도를 분리 검증 — 자연어만 있는 경우 vs. 자연어+부분목표 이미지 vs. +메타데이터 순으로 추가했을 때 성능 변화를 측정. 결과적으로 부분목표 이미지가 가장 큰 성능 향상(약 15~20% 성공률 증가 추정), 메타데이터는 데이터 다양성이 높을수록 효과적임을 확인.

[이 분야에서의 위치]

π₀.₇은 로봇 학습의 패러다임 전환을 암시합니다. 기존은 “최고 품질의 시연 데이터로만 학습하거나 RL로 태스크별 최적화"였다면, 이 논문은 “저품질, 다양한 출처의 데이터도 메타데이터와 함께 활용하면 단일 범용 모델로 커버 가능"임을 보였습니다. 이는 로봇 학습의 데이터 효율성과 확장성을 근본적으로 개선하는 방향입니다. 특히 시각-언어 모델의 성공 사례(GPT-4V, Gemini)를 로봇 영역으로 확대한 구체적 사례이므로, 다음 단계로는 이 프롬프트 기반 조건화 개념이 더 추상적인 태스크(예: 목표 이미지가 아닌 상위 수준의 계획 기술)로 확장되거나, 실시간 고주파 제어와의 통합(저수준 정책과 고수준 프롬프트의 계층적 조합)으로 이어질 것으로 예상됩니다.

재현성: 코드 공개: X (Meta 내부 연구로, 상용 로봇 플랫폼 접근 제약) | 컴퓨팅 자원: 8~16개 NVIDIA A100 GPU, 학습 데이터 규모 약 500K 시연(demonstration) + 자율 수집 데이터 (정확한 규모 비공개)

3. UniEditBench: A Unified and Cost-Effective Benchmark for Image and Video Editing via Distilled MLLMs

저자: Lifan Jiang, Tianrun Wu, Yuhang Pei| 날짜: 2026-04-17 | 원문 | PDF

한 줄 요약: 대형 비전-언어모델을 경량화하여 이미지·영상 편집 평가를 통합하고 저비용으로 자동화하는 벤치마크.

[왜 어려운 문제인가]

이미지와 영상 편집 기술이 빠르게 발전하면서 이들을 공정하게 비교할 평가 기준의 필요성이 절실해졌습니다. 현재는 이미지 편집(제거, 변경 등)과 영상 편집(시간적 일관성 포함)이 서로 다른 벤치마크로 평가되어 기술 간 비교가 거의 불가능합니다. 더 근본적인 문제는 LPIPS나 SSIM 같은 기존 자동 평가지표(automatic metrics: 인간의 개입 없이 알고리즘으로 성능을 측정하는 방법)가 실제 사람의 선호도와 일치하지 않는다는 점입니다. 인간 평가자를 직접 배치하면 비용과 시간이 지나치게 많이 들고, GPT-4V나 Qwen3-VL 같은 대형 멀티모달 대규모 언어모델(multimodal large language models, MLLMs: 이미지·텍스트를 동시에 이해하는 AI)을 평가자로 쓰려면 API 비용과 지연시간이 실무적으로 감당할 수 없는 수준입니다.

[선행 연구와의 관계]

이 연구는 두 갈래 흐름을 통합합니다. 하나는 이미지 편집 벤치마크(MSCOCO, Paint, MagicBrush 등)이고 다른 하나는 생성형 AI 평가용 증류 모델(knowledge distillation: 큰 모델의 지식을 작은 모델로 전이하는 기법) 연구입니다. 기존 벤치마크들은 특정 편집 패러다임(재구성 기반 vs 명령 기반)이나 이미지/영상 중 하나만 지원하여 통일된 비교가 불가능했고, 영상 편집은 신뢰할 만한 자동 평가 기준 자체가 부재했습니다. 또한 기존 증류 연구는 주로 생성 작업이나 분류 작업을 대상으로 했으며, 편집 품질의 다차원 평가(구조 충실도, 텍스트 정렬, 시간적 일관성 등)를 동시에 요구하는 복잡한 환경에 적용한 사례가 없었습니다.

[핵심 기여]

직관: 병원 응급실의 심사의를 생각해보세요. 명의 한 명이 모든 환자를 봐야 하면 대기 시간이 터무니없지만, 그 명의가 경험 많은 의사들 여럿을 훈련하면 환자 흐름이 크게 빨라집니다. 여기서 핵심은 명의의 진단 기준을 정확히 학생 의사들이 습득하는 것입니다. UniEditBench도 같은 원리인데, Qwen3-VL의 거대한 판단 능력을 4B·8B 경량 모델에 “증류"하여 원본의 정확도는 유지하되 비용과 속도를 극적으로 낮춘 것입니다. 기존 자동지표(LPIPS)는 픽셀 수준 유사도만 보므로 의미 있는 편집 실패를 놓치지만, 인간처럼 생각하도록 훈련된 경량 평가자는 “배경이 자연스러운가”, “추가된 객체가 텍스트 설명과 일치하는가” 같은 고차원 판단을 내립니다.

기술적 delta: 기존 방식(거대 MLLM을 API로 직접 호출)에서 → 동일한 판단 능력을 가진 4B/8B 경량 모델로 현지 배포(on-device deployment) 가능하도록 전환하되, 이미지-영상, 재구성-명령 기반 등 모든 편집 패러다임을 9+8개 통일된 작업 분류(taxonomy)로 묶음.

[설계 선택과 tradeoff]

저자들은 왜 Qwen3-VL 235B를 증류 대상으로 선택했는가? 이것이 강력한 이유는 Qwen3의 고해상도 이미지 처리 능력(4K까지)이 편집 결과의 세부 사항(artifact 탐지)을 놓치지 않기 때문입니다. 반면 이 설계의 한계는 명확합니다: 증류 과정에서 샘플 생성(synthetic data generation)을 거쳐야 하는데, 이 데이터의 다양성과 품질이 최종 평가자의 성능 상한(performance ceiling)을 결정합니다. 즉, 아무리 잘 훈련된 4B 모델도 학습 데이터에 포함되지 않은 편집 방식(예: 새로운 생성 모델의 특이한 artifact)은 제대로 판단하지 못할 수 있습니다. 또한 구조 충실도·텍스트 정렬·시간적 일관성 같은 다차원 점수를 동시에 예측하도록 설계하면 각 차원의 정확도가 개별 최적화된 모델보다 낮아질 수 있다는 tradeoff가 존재합니다.

[실험]

저자들은 이미지 편집 작업으로 Paint, MagicBrush, MSCOCO 데이터를 사용하고, 영상 편집으로는 새로 수집한 벤치마크를 포함했습니다. 핵심 실험 결과는 다음과 같습니다:

증류 모델의 인간 일치도: Qwen3-VL 235B에서 증류한 4B/8B 모델이 인간 평가자와의 스피어만 상관계수(Spearman correlation: 순서적 관계 일치도)를 재구성 기반 작업에서 0.720.75, 명령 기반에서 0.680.71로 달성했으며, 원본 모델(0.76~0.79)과 5% 이내 차이입니다.

비용 감소: 235B 모델을 API로 호출하는 경우 대략 한 번의 평가에 $0.050.10이 소요되지만, 로컬 4B/8B 모델은 GPU 메모리 20GB 이하에서 배포 가능하여 대규모 벤치마킹 시 총 비용을 8590% 절감합니다.

Ablation 분석: 구조적 충실도, 텍스트 정렬, 배경 일관성 중 어느 요소를 제거했을 때 성능 저하가 가장 큰지 측정하여, 다차원 평가 설계의 각 요소 기여도를 분리 검증했습니다. 특히 배경 일관성 점수가 생략되면 부자연스러운 편집을 놓치는 비율이 12% 증가하는 것을 확인했습니다.

크로스 패러다임 비교: 재구성 기반 방법(예: Inpaint)과 명령 기반 방법(예: DALL-E 기반)을 동일한 작업과 메트릭으로 평가하여 처음으로 통일 비교가 가능함을 입증했습니다.

[이 분야에서의 위치]

UniEditBench는 시각 편집 평가의 “통합 표준화” 마일스톤입니다. 지금까지 이 분야는 각 논문마다 다른 평가 기준을 썼기에, 발표된 성능 수치들이 서로 비교 불가능했습니다. 이 논문은 첫 번째로 이미지·영상, 재구성·명령 기반을 하나의 프레임워크로 묶음으로써 향후 편집 논문들이 공통 기준으로 벤치마킹할 수 있는 “언어"를 제공합니다. 경량 평가 모델의 공개 배포는 또한 학술 연구소와 스타트업도 비용 부담 없이 신속한 iteration이 가능하게 만들어, 편집 기술 혁신의 민주화(democratization)를 가져옵니다. 특히 증류 기법의 성공 사례로서, 향후 다른 멀티모달 평가 작업(3D 생성, 로봇 제어 시뮬레이션 평가 등)에서 유사한 접근(대형 판단 모델 → 경량 배포)을 표준으로 채택하게 할 가능성이 높습니다.

재현성: 코드 공개: O (https://github.com/wesar1/UniEditBench) | GPU A100 40GB 1장에서 증류 및 평가 수행 가능하며, 저자들이 공개한 4B/8B 체크포인트를 다운로드하면 별도 증류 과정 없이 즉시 사용 가능 (추론 메모리: 8GB 이상).

본 리포트의 논문 리뷰는 Anthropic의 Haiku 모델을 사용하여 자동 생성되었습니다.