언어 모델에서의 아첨 (Sycophancy)은 일반적으로 과도한 동의나 확인 (validation)의 관점에서 연구되어 왔으나, 명시적인 찬사 (praise)와 아첨 (flattery)은 상대적으로 적은 관심을 받아왔습니다. 우리는 아첨하는 찬사 (sycophantic praise)가 현재의 방법으로는 신뢰성 있게 측정할 수 없는 별개의 정렬 (alignment) 문제라고 주장합니다. 우리는 기여도 품질 (contribution quality) 및 예상되는 사용자 능력 (expected user ability)과 비교하여 찬사가 과도한지 여부를 측정하는 매개변수화된 프레임워크 (parameterized framework)를 소개합니다. 우리는 우리의 프레임워크가 인간의 주석 (human annotations)과 일치하는 측면에서 일반적인 LLM 판사 (LLM judges)보다 실질적으로 우수한 성능을 보인다는 점과, 아첨하는 찬사가 객관적인 추론 (objective reasoning) 설정보다 사회적 및 해석적 영역 (social and interpretive domains)에서 훨씬 더 빈번하게 발생한다는 점을 보여줍니다. 이러한 발견들을 종합하면, 찬사 보정 (praise calibration)은 별개의 정렬 과제 (alignment challenge)로 자리매김하게 됩니다.