모델 연구
A Systematic Evaluation of Cross-Lingual Consistency Enhancement Methods in Multilingual Language Models
ARarXiv
다국어 언어 모델이 같은 질문에 언어별로 일관성 없는 답변을 내놓는 문제를 해결하기 위해, 연구진이 다양한 다국어 모델의 일관성 강화 방법을 체계적으로 평가했습니다.
세 줄 요약
- 평가 결과, 사전 학습 후 보정하는 방식(post-training)이 전반적으로 가장 신뢰도가 높았으며, 특히 분포 정렬 기법을 적용한 방법이 높은 성능 개선을 보였습니다.
- 단순히 언어적 일관성 확보를 넘어 문화적 맥락과 도메인 간 견고성을 함께 고려해야 함을 강조하며, 향후 모델 개발 방향에 중요한 시사점을 제공합니다.
- 다만, 출력이 요구되는 포맷이 다르면 지식 전이가 어렵고, 개방형 생성에서는 비영어권 답변의 정확도 저하 가능성 등 한계점도 확인되었습니다.
다국어 언어 모델이 같은 질문에 언어별로 일관성 없는 답변을 내놓는 문제를 해결하기 위해, 연구진이 다양한 다국어 모델의 일관성 강화 방법을 체계적으로 평가했습니다.