다양한 과학적 아이디어를 생성하도록 추론 모델을 훈련하기

요약

본 연구는 LLM을 활용하여 문서 기반 아이디어 생성 시 품질과 다양성 확보에 중점을 둡니다. 세트 수준 강화학습(set-level reinforcement learning) 목표를 도입하여, 모델이 원본 논문에 근거하면서도 서로 명확히 구별되는 K개의 구조화된 아이디어를 생성하도록 훈련했습니다. 자체 훈련한 8B 모델은 Claude Opus 4.8 및 GPT-6 Astra보다 높은 창의적 효용성을 보였습니다.

핵심 포인트

• 아이디어 생성 시 다양성 확보가 중요한 연구 방향입니다.
• 세트 수준 강화학습을 통해 아이디어를 구조화하고 공동 점수화합니다.
• 자체 훈련 모델이 경쟁사 모델 대비 높은 창의적 효용성을 입증했습니다.
• 추가된 다양성이 실제 개념 증명(PoC) 실행 가능성을 저해하지 않음을 확인했습니다.