지도 미세 조정 (Supervised fine-tuning, SFT)은 오프라인 전문가 시연으로부터 LLM (Large Language Models)에게 새로운 행동을 가르치는 표준적인 접근 방식을 제공합니다. 그러나 표준 SFT는 베이스 모델 (base model) 하에서 가능도 (likelihood)가 낮은 샘플을 포함하여 모든 샘플을 균등하게 학습시키는데, 이는 학습 업데이트를 목표 행동을 배우기보다는 특정 샘플에 과적합 (overfitting)되도록 불균형하게 유도할 수 있습니다. 더욱이, 이러한 낮은 가능도의 샘플에 적응하는 과정은 상당한 정책 변화 (policy shifts)를 유발하여 기존의 능력을 저하시킵니다. 기존 방법들은 낮은 가능도의 데이터를 필터링, 재생성 또는 가중치를 낮춤으로써 이를 완화합니다. 이 과정에서 이들은 베이스 모델이 아직 배우지 못한 바로 그 새로운 행동들을 억제하는 경우가 많습니다. 우리는 SFT 목적 함수를 위한 원칙적인 가중치 부여 방식인 InfoSFT를 제안합니다. 이는 학습 신호를 정보량이 최대화된 중간 신뢰도 (medium-confidence) 토큰, 즉 베이스 모델에게 너무 익숙하지도 않으면서 불안정성을 유발할 만큼 너무 낮지도 않은 토큰에 집중시킵니다. 표준적인 토큰 단위 손실 (token-wise loss)에 단 한 줄의 수정만을 요구하는 InfoSFT는 다양한 모델 제품군에 걸쳐 수학, 코드, 사고 사슬 (chain-of-thought) 작업에서 바닐라 SFT (vanilla SFT) 및 가능도 가중치 기반 베이스라인 (likelihood-weighted baselines)보다 일반화 성능을 입증 가능하게 향상시키는 동시에, 기존 능력을 더 잘 보존합니다.