네이티브하게 학습된 스파이킹 언어 모델(Spiking Language Models)은 Transformer와 유사한 언어 품질, 안정적인 다중 도메인 사전 학습(Pre-training), 그리고 높은 활성화 희소성(Activation Sparsity)을 결합하는 데 어려움을 겪고 있습니다. 본 논문에서는 이진 누적-발화(Leaky Integrate-and-Fire, LIF) 스파이크 역학(Spike Dynamics)과 연속적인 잔차 스트림(Continuous Residual Stream)을 결합한 스파이크 게이트형 이중 경로 언어 모델인 SymbolicLight V1을 제시합니다. 이 모델의 Dual-Path SparseTCAM 모듈은 밀집형 셀프 어텐션(Dense Self-attention)을 장기 기억을 위한 지수적 감쇠 집계 경로(Exponential-decay Aggregation Path)와 단기 정밀도를 위한 스파이크 게이트형 로컬 어텐션 경로(Spike-gated Local Attention Path)로 대체하며, 이는 동적 컨텍스트 조건부 디코딩 헤드(Dynamic Context-conditioned Decoding Head)와 이중 언어 토크나이저(Bilingual Tokenizer)에 의해 보완됩니다. 3B-토큰 규모의 중-영(Chinese-English) 코퍼스에서 처음부터 학습된 194M-파라미터 규모의 SymbolicLight V1 모델은 4회의 독립적인 실행 결과, 요소당 89% 이상의 활성화 희소성(Activation Sparsity)을 유지하면서 8.88-8.93의 검증 데이터셋 PPL(Perplexity)에 도달했습니다. 이 모델은 보고된 비교 조건 하에서 GPT-2 124M을 능가하는 한편, GPT-2 201M보다는 PPL 측면에서 7.7% 뒤처집니다. 동일한 0.5B-토큰 학습 예산에서의 구성 요소 절제 연구(Ablation Study) 결과, 스파이크 게이트형 로컬 어텐션 경로가 가장 큰 기여를 한다는 것을 보여주었으며, 동일한 희소성 수준에서 LIF 역학을 결정론적 top-k 마스크(Deterministic top-k mask)로 교체했을 때 더 큰 성능 저하가 발생함을 확인했습니다. 이는 성능을 견인하는 요소가 단순히 희소성만이 아니라 시간적 통합(Temporal Integration)임을 시사합니다. 또한, 최적화 및 희소성 유지의 증거로서 주요 품질 비교 목적이 아닌, 48.8B 토큰으로 학습된 0.8B-파라미터 규모의 확장 실행 결과도 보고합니다. 현재의 밀집형 하드웨어(Dense-hardware) 추론은 GPT-2보다 느리므로, 뉴로모픽(Neuromorphic) 배포는 달성된 하드웨어 가속보다는 향후 희소성 기반의 기회로서 제시됩니다.