대규모 언어 모델 (LLMs)은 강력한 관계 추출 (Relation Extraction, RE) 성능을 달성하지만, 높은 계산 요구량과 독점 API에 대한 의존성으로 인해 자원이 제한되거나 개인정보 보호가 중요한 환경에서의 배포가 제한됩니다. 본 연구에서는 소형 언어 모델 (Small Language Models, SLMs)이 일반 도메인 및 문학 텍스트 전반에 걸쳐 이러한 격차를 얼마나 좁힐 수 있는지 조사합니다. 우리는 세 가지 도메인 구성 체제와 두 가지 프롬프트 조건부 튜닝 스타일 (30가지 구성) 하에서 360M에서 3B 파라미터 사이의 5개 모델을 평가하며, 이를 제로샷 프런티어 LLM 및 판별적 RoBERTa 베이스라인과 비교합니다. 9개의 벤치마크 전반에 걸쳐, 풀링된 일반 도메인 데이터로 미세 조정(fine-tuned)된 최고의 10억 미만 모델인 Qwen2.5-0.5B는 일반 도메인 양성 클래스 micro-F1 점수 0.83을 달성하였으며, 이는 제로샷으로 평가된 GPT-5.4의 0.69 및 Claude Sonnet 4.6의 0.66보다 높습니다. 이것이 SLM이 본질적으로 더 강력하다는 것을 의미하지는 않습니다. 오히려 타겟팅된 작업 적응 (task adaptation)을 통해 단일 소비자용 GPU에서 배포 가능한 4-bit 모델이 이 프로토콜 하에서 범용 프런티어 시스템을 능가할 수 있음을 보여줍니다. 도메인 내 RoBERTa 베이스라인 또한 두 프런티어 모델을 모두 능가하며, 이는 성능 향상이 생성적 디코딩 (generative decoding)보다는 작업 적응에서 비롯됨을 나타냅니다. 문학적 RE에서, 튜닝된 SLM은 인간이 주석을 단 Biographical 벤치마크에서 0.92를 기록하여 GPT-5.4의 0.83을 상회하였고, 두 벤치마크 문학 평균에서는 0.833 대 0.578을 기록했습니다. 타겟팅된 도메인 적응형 사전 학습 (domain-adaptive pretraining) 사례 연구는 지도 미세 조정 (supervised fine-tuning) 대비 실질적으로 의미 있는 이득을 보여주지 못했으며, 가장 깨끗한 패밀리 내 규모 비교 (within-family scale comparison)에서도 미미한 개선만을 보여주었습니다. 이러한 결과는 작업별 데이터가 가용할 때, 컴팩트한 작업 적응형 모델이 정확하고, 프라이버시를 보호하며, 하드웨어 효율적인 RE를 제공할 수 있음을 보여줍니다.