공개적으로 사용 가능한 대규모 언어 모델(LLMs) 저장소가 급격히 성장함에 따라, 모델 계보 추적(model lineage tracing), 라이선스, 평가와 같이 대규모에서의 체계적인 관리 및 정량화에 상당한 어려움이 따르고 있습니다. 그러나 LLMs는 아키텍처(architectures), 규모(scales), 학습 절차(training procedures)가 매우 다양하기 때문에, 특정 작업에 특화된 벤치마크(benchmarks)만으로는 이러한 환경을 다루기에 불충분합니다. 이러한 문제를 해결하기 위해, 우리는 Heavy-Tailed Self-Regularization 이론을 기반으로 LLMs를 관리하고 정량화하기 위한 스펙트럼 형태 기반 지표(spectral shape-based metrics)를 채택합니다. 우리의 접근 방식은 각 모델의 압축된 스펙트럼 시그니처(spectral signature)로서 가중치 경험적 스펙트럼 밀도(weight empirical spectral density)의 형태 정보를 사용합니다. 이 시그니처는 사전 학습된 모델(pretrained models)의 고유한 특성을 포착하며 사후 학습(post-training) 과정 중에도 견고하게 유지되므로, 모델 수준의 분석에 적합합니다. 또한, 이 지표는 데이터가 필요하지 않고(data-free), 계산 효율적이며(computationally-efficient), 규모 불변성(scale-invariant)을 가져 실제 대규모 분석을 가능하게 합니다. 나아가, 우리는 주요 오픈 소스 LLM 제품군으로 구성된 크고 다양한 모델 코퍼스(model corpus)를 큐레이션하였으며, 이를 사용하여 모델 및 다운스트림 작업(downstream tasks) 전반에 걸쳐 스펙트럼 및 비스펙트럼 지표(spectral and non-spectral metrics)를 체계적으로 벤치마킹합니다. 우리는 우리의 스펙트럼 시그니처가 모델 계보 추적, 유사 모델의 비지도 클러스터링(unsupervised clustering), 그리고 모델 성능의 정량화를 지원함을 보여줍니다. 종합적으로, 제안된 스펙트럼 시그니처는 LLMs 전반의 광범위한 성능 추세를 나타내는 의미 있는 대리 지표(proxy)를 제공하여, 대규모 모델 컬렉션의 효율적인 조직, 비교 및 분석을 가능하게 합니다.