멀티모달 거대 언어 모델 (Multimodal Large Language Models, MLLMs)은 사전 학습 (Pretraining) 과정에서 민감한 교차 모달 (Cross-modal) 정보를 암기할 수 있으며, 이로 인해 머신 언러닝 (Machine Unlearning, MU)의 중요성이 커지고 있습니다. 기존 방법들은 일반적으로 출력 편차 (Output deviations)를 기반으로 언러닝의 효과를 평가하며, 언러닝 이후의 생성 품질 (Generation quality)은 간과하는 경향이 있습니다. 이는 환각 (Hallucination) 현상이 발생하거나 경직된 응답을 유발하여, 언러닝된 모델의 사용성과 안전성에 영향을 미칠 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 생성 품질을 핵심 평가 목표로 포함하는 제어 가능한 멀티모달 언러닝 프레임워크인 ASRU를 제안합니다. ASRU는 먼저 활성화 재지정 (Activation redirection)을 통해 초기 거부 행동 (Refusal behavior)을 유도한 다음, 맞춤형 보상 함수 (Reward function)를 사용하여 미세한 거부 경계 (Refusal boundaries)를 최적화함으로써, 대상 지식의 언러닝과 모델 유용성 (Model utility) 사이의 더 나은 트레이드오프 (Trade-off)를 달성합니다. Qwen3-VL를 대상으로 한 실험 결과, ASRU는 소량의 유지된 지도 데이터 (Supervision data)만을 사용하면서도 모델 유용성을 효과적으로 보존하는 동시에, 언러닝 효과를 평균 24.6% 향상시키고 생성 품질을 평균 5.8배 개선함을 보여주었습니다.