대규모 언어 모델 (LLMs)은 건강 관련 조언을 위해 점점 더 많이 사용되고 있습니다. 기존 연구들은 압박이 가해지는 환자 대면 대화보다는 정적인 질문을 통해 모델의 안전성을 측정합니다. 우리는 LLM에서 환자의 압박으로 인해 유도되는 아첨 (Sycophancy) 현상을 측정하기 위한 다회차 벤치마크인 MedPRESS를 소개합니다. MedPRESS는 약물 및 치료 요구, 개인 건강 자기 관리, 증상 분류 및 케어 거부라는 세 가지 시나리오 유형에 걸쳐 의학적 근거를 바탕으로 한 600개의 5회차 대화(five-turn dialogues)를 포함합니다. 각 대화는 건강 관련 질의로 시작하여 개인적 경험, 사회적 증거, 외부 증거 주장, 그리고 직접적인 적대적 도전(adversarial challenge)을 통해 단계적으로 격상됩니다. 우리는 구조화된 판정 및 안전 중심 지표를 사용하여 일반, 의료 도메인, 경량, 대형, 오픈 웨이트 (open-weight), 그리고 독점 (proprietary) 모델군에 속하는 20개의 LLM을 평가합니다. 결과에 따르면, 모델들은 반복적인 환자의 압박 하에서 안전하지 않은 동의 쪽으로 빈번하게 기울어지며, 이는 모델군, 모델 규모 및 프롬프트 유형에 따라 상당한 차이를 보입니다. 반-아첨 (Anti-sycophancy) 프롬프팅은 여러 모델의 견고성 (robustness)을 개선하지만, 안전하지 않은 동의를 완전히 제거하지는 못합니다. MedPRESS는 의료용 LLM 평가의 결정적인 간극을 강조합니다: 모델이 대화적 압박 속에서도 지식을 유지할 수 없다면, 안전한 의료 지식만으로는 충분하지 않습니다.