우리는 프로덕션 규모의 임상 자연어 처리 (NLP) 파이프라인에서 추론 시간 패턴-메모리 게이팅 (inference-time pattern-memory gating)을 연구합니다. 이 파이프라인은 167,034개의 PMC-Patients 내러티브를 대상으로 추출을 제안하는 생성기 (Llama-3.3 70B)와 이를 수락 또는 거부하는 검증기 (MMed-Llama-3.1 70B)를 결합하며, 배포 시 어떤 추출을 필터링할지 학습하는 경량 메모리를 추가하여 검증기가 이미 실패한 것으로 확인된 후보를 재검토할 필요가 없도록 합니다. 우리는 네 가지 발견을 보고합니다. 첫째, 검증기의 거부 사례로부터 직접 필터링 규칙을 학습하는 방식은 전체 규모에서 실패했습니다. 785,797건의 거부 로그가 기록되었음에도 불구하고 관계 추출 (relation-extraction) 필터는 비어 있는 상태로 유지되었는데, 이는 거부 사례들이 너무 많은 서로 다른 형태에 너무 얇게 분산되어 축적되지 않았기 때문입니다. 둘째, 고정된 임상 온톨로지 (clinical ontology)를 사용하는 더 단순한 규칙은 검증기 없이도 동일한 필터링 효과를 냈으며, 홀드아웃 (held-out) 5,000명 환자 데이터셋에서 온톨로지를 위반하는 49,734개의 관계를 포착했습니다. 셋째, 질의응답 (question-answering) 필터의 다섯 가지 버전 중 네 가지는 서로 다른 교육적인 이유로 실패했습니다. 다섯 번째 버전은 환자의 추출된 엔티티 (entities)가 질문에 부합하는지 확인함으로써 성공했으며, 이 방식이 적용된 곳은 검증기가 수락할 답변보다 거부할 답변을 표시할 확률이 1.84배 더 높았습니다. 넷째, 다섯 가지 사례 모두에서 공통적으로 나타난 패턴은 다음과 같습니다: 필터는 검증기의 출력을 모방할 때가 아니라, 검증기가 가중치를 두는 것과 동일한 증거를 테스트할 때만 선택적(selective)입니다. 종합하면, 이는 모든 생성기-검증기 파이프라인에 적용 가능한 전이 가능한 결과를 제공합니다: 가장 자연스러운 메모리 설계라도 규모가 커지면 조용히 실패할 수 있으며, 생성 전 게이트 (pre-generation gate)가 선택적인지 여부는 엔지니어링 노력 이전에, 그 신호가 검증기 자체가 답하는 질문을 탐색하는지 여부에 의해 결정됩니다. 전 과정에서 시스템은 의심스러운 추출을 삭제하는 대신 플래그(flag)를 표시하므로, 모든 결정은 임상 검토를 위해 가시적으로 유지됩니다. 모든 코드와 테스트 아티팩트 (artefacts)는 공개적으로 배포됩니다.