개체 매칭(Entity matching)은 동일한 현실 세계의 개체를 참조하는 레코드를 식별하는 작업입니다. 언어 모델(Language models)은 바이-인코더(bi-encoder), 크로스-인코더(cross-encoder), 그리고 생성형 매처(generative matcher) 아키텍처를 통해 이 작업에 적응될 수 있습니다. 그러나 이전 연구들은 매처 아키텍처를 모델 백본(model backbone), 모델 변체(model variant, 서로 다른 사전 학습 목표를 반영), 그리고 모델 크기(model size)의 차이와 혼동하는 경우가 많아, 성능 향상의 원인을 분리하여 파악하기 어렵게 만들었습니다. 우리는 Qwen3 제품군의 세 가지 매처 아키텍처, 세 가지 모델 변체, 세 가지 모델 크기, 그리고 9개의 데이터셋에 걸쳐 총 1,215회의 미세 조정(fine-tuning) 실행을 포함하는 통제된 요인 설계 연구(factorial study)를 통해 이 문제를 해결합니다. 또한 데이터셋 간 전이 가능성(cross-dataset transferability)과 계산 비용(computational cost)을 평가합니다. 연구 결과, 모델 변체는 바이-인코더(bi-encoders)에 있어 매우 중요합니다. 임베딩 지향적(embedding-oriented) 변체는 더 강력한 초기화(initialization)를 제공하며, 다운스트림 매칭 성능을 예측할 수 있는 더 유리한 표현 기하학(representation geometry)을 제공합니다. 크로스-인코더(Cross-encoders)는 각 레코드를 독립적으로 표현하는 대신 레코드 쌍을 공동으로 인코딩하기 때문에 바이-인코더에 비해 일관된 우위를 유지하지만, 더 큰 모델들은 이 격차를 부분적으로 좁힙니다. 생성형 매처(Generative matchers)가 보편적으로 크로스-인코더보다 성능이 뛰어난 것은 아닙니다. 대신, 이들의 장점은 레코드 스키마(record schemas)의 미세한 미인지 차이 및 데이터셋 간 전이를 포함한 분포 변화(distribution shift) 상황에서 집중됩니다. 우리는 더 나아가 더 큰 모델일수록 지름길 학습(shortcut learning)에 더 크게 의존하며, 따라서 반드시 더 나은 성능을 보이는 것은 아니라는 점을 발견했습니다. 이러한 발견은 매처 아키텍처 간의 성능 차이의 근저에 있는 요인들을 명확히 하며, 아키텍처 선택을 모델 수준의 요인과 더 잘 분리하는 동시에 분포 변화와 데이터셋 간 전이 가능성을 명시적으로 평가하는 향후 연구 및 벤치마크 설계를 촉진합니다. 우리는 실험 결과, 코드, 학습 스크립트 및 평가 데이터를 https://github.com/Jantory/llm-trained-matcher 에서 공개합니다.