데이터 주권(data sovereignty) 규제를 받는 금융 기관과 같은 기업들은 민감한 데이터를 외부로 유출하지 않고 자체 인프라 내에서 운영할 수 있는 언어모델(LLM)을 필요로 합니다. 최근 발표된 연구는 이러한 요구를 충족시키기 위해 '온톨로지 증폭 증류(ontology-amplified distillation)'와 '맥락성 감사(contextuality auditing)'라는 두 가지 핵심 방법론을 결합한 접근 방식을 제시했습니다.
이 연구는 Qwen3.6-27B라는 비교적 작은 모델을 활용하여, 파운데이션 에이전틱OS(Foundation AgenticOS) 온톨로지에 맞춰 미세조정(fine-tuning)하는 과정을 상세히 설명합니다. 최첨단 교사 모델(frontier-teacher model)의 궤적과 온톨로지 기반의 직접 선호 최적화(DPO)를 통해 47개의 합성 영어 선호 쌍으로 학습시켰습니다. 그 결과, 40개의 베트남 금융 도메인 테스트에서 증류된 학생 모델(distilled student model)이 36개 작업을 성공적으로 처리하여 GPT-5와 동일한 수준의 성능을 보였습니다. 이는 작은 모델이 특정 도메인에서 대규모 모델에 필적하는 능력을 가질 수 있음을 시사합니다.
또한, 이 연구는 기업 에이전트 라우팅을 위한 맥락성 감사(contextuality audit) 방법을 통합했습니다. 이는 모델이 특정 결정을 내릴 때 어떤 맥락을 참조했는지 투명하게 파악하고, 모델 간의 불일치가 발생할 경우 프롬프트 표준화, 다중 에이전트 합성 또는 인간 검토를 트리거하는 거버넌스 진단 도구로 활용될 수 있습니다. 이러한 접근 방식은 기업이 LLM을 안전하고 책임감 있게 운영하는 데 중요한 기반을 제공하며, 규제 준수와 신뢰성 확보에 기여할 것으로 기대됩니다.