최근의 발전에도 불구하고, 대규모 언어 모델 (LLMs)을 이용한 생물 의학 개체 연결 (Biomedical Entity Linking, BEL)은 계산 효율성이 낮고 실제 환경에 배포하기에 여전히 도전적인 과제로 남아 있습니다. 본 연구에서는 오픈 소스 생성 모델 (generative models)의 지시어 튜닝 (instruction-tuning)을 BEL 파이프라인의 재순위화 (re-ranking) 단계에 적용할 때 효과적인 해결책이 될 수 있음을 입증합니다. 우리는 빠르고 정확한 후보 선택을 가능하게 하는 집합적 지시어 튜닝 (set-wise instruction-tuning) 공식을 제안합니다. 우리의 방법론은 여러 BEL 벤치마크에서 강력한 성능을 입증하였으며, 최신 기술 (state-of-the-art) 대비 추론 시간 (inference time)을 단축하는 동시에 연결 정확도 (linking accuracy)를 크게 향상 (3%-24%) 시켰습니다. 우리는 우리의 생성적 재순위화기 (generative re-ranker)를 실제 환경의 실용적인 BEL 애플리케이션을 위해 설계된 모듈형 엔드 투 엔드 (end-to-end) 시스템인 BeLink에 통합하였습니다.