주장 검증(Claim verification)은 원문 텍스트가 특정 주장을 지지하는지, 모순되는지, 아니면 충분한 증거를 제시하지 못하는지를 판단하는 작업입니다. Natural Language Inference (NLI) 모델은 단일 문장이 주장을 지지하거나 모순하는지 판단할 수 있지만, 증거가 여러 문장에 걸쳐 분산되어 있을 때는 어려움을 겪습니다. 반대로 Large Language Models (LLMs)는 문장 간 추론이 가능하지만, 텍스트가 뒷받침하지 않는 결론을 도출할 수도 있습니다. 본 실험 연구에서는 보수적인 융합 규칙(fusion rule), 즉 두 모델 모두가 동의할 때만 주장을 Support 또는 Contradict로 분류하고 그 외의 경우에는 Not Enough Evidence로 기본 설정하는 것이 이들 모델의 강점을 결합하는지 테스트합니다. 우리는 SciFact와 CliniFact에서 가져온 2,035개의 주장으로 구성된 벤치마크를 구축했습니다(Support 858개, Contradict 152개, Not Enough Evidence 1,025개). 우리는 의미론적 검색과 어휘 기반 검색(BM25)의 하이브리드를 사용하여 각 주장에 대해 가장 관련성이 높은 상위 다섯 개 문장을 검색했으며, 이는 단일 방법보다 약간 더 나은 성능을 보였습니다. 이렇게 검색된 문장들은 모든 검증 모델에 제공됩니다. 이후 DeBERTa-v3-base-mnli-fever-anli NLI 기준선(baseline)과 Llama 3.1 8B, Qwen3 8B, Mistral 7B를 비교했습니다. Qwen3가 가장 높은 Macro-F1 점수(0.7937)를 달성했으며, 그 뒤를 Llama 3.1 (0.7204)과 Mistral (0.6388)이 이었고, NLI 기준선은 단지 0.3157에 머물렀습니다. 가설과는 달리, 융합(fusion)을 적용했을 때 성능이 저하되어 각각 Macro-F1 점수가 0.7392, 0.6730, 0.5991로 떨어졌습니다. 이러한 하락의 원인을 이해하기 위해 NLI와 LLM 검증기 간의 동의(agreements), 불일치(disagreements), 그리고 공통 오류 패턴을 분석했습니다. 우리의 오류 분석 결과에 따르면, NLI와 LLM의 의견 불일치는 종종 올바른 LLM 예측이 뒤집히는 결과를 초래하는 것으로 나타났습니다.