현대의 3D 의료 시각-언어 모델 (Vision-Language Models, VLMs)은 유창한 방사선학 스타일의 텍스트를 생성할 수 있지만, 병리 탐지 (pathology detection) 및 출력 다양성 측면에서는 매우 낮은 성능을 보이며, 드물지만 중요한 소견을 제대로 보고하지 않는 일반적인 템플릿으로 붕괴되는 현상을 보입니다. 우리는 이러한 실패 모드를 템플릿 붕괴 (Template Collapse)라고 정의합니다. 이러한 실패는 제한된 데이터, 심각한 레이블 불균형 (label imbalance), 볼륨 인코더 (volumetric encoders)의 약한 신호와 같은 3D 의료 영상의 고유한 제약 조건에서 기인합니다. 이러한 제약 조건 하에서 텍스트 생성 목적 함수는 지름길 학습 (shortcut learning)과 유창하지만 근거가 약한 (weakly grounded) 보고서를 유도합니다. 우리는 임상적 충실도 (clinical fidelity), 출력 다양성 (output diversity), 정상 템플릿 편향 (normal-template bias), 그리고 희귀 소견 생존율 (rare-finding survival)을 통해 템플릿 붕괴를 체계적으로 진단합니다. 이를 완화하기 위해, 우리는 무엇을 말할 것인가 (임상적 탐지)와 어떻게 말할 것인가 (언어 합성)를 분리하는 디커플링 프레임워크 (decoupled framework)인 CLarGen을 제안합니다. CLarGen은 (i) 다중 레이블 병리 탐지를 위한 잠재 쿼리 트랜스포머 (Latent Query Transformer), (ii) 임상적으로 일치하는 예시를 위한 병리 가이드 검색 (pathology-guided retrieval), 그리고 (iii) 탐지된 소견과 검색된 문맥으로부터 최종 보고서를 합성하기 위한 의료 언어 모델 (medical language model)을 사용합니다. 최첨단 3D CT 보고서 생성 베이스라인 모델들에 대해, CLarGen은 유창한 보고를 유지하면서도 템플릿 붕괴를 완화하고 임상적 정확도를 실질적으로 향상시켰습니다 (macro-F1 0.487 대 0.189; CRG 0.472 대 0.368). 우리의 결과는 템플릿 붕괴에 저항력이 있는 3D CT 보고서 생성을 위해 명시적이고 측정 가능한 임상적 근거 (clinical grounding)가 필수적임을 시사합니다. 코드는 승인 시 공개될 예정입니다.