대규모 언어 모델 (LLMs)의 발전은 전문 영역 및 언어에 대한 적응 (adaptation)에 대한 관심 증가로 이어졌으나, 도메인 적응 (domain adaptation) 전략의 효과는 여전히 불분명합니다. 본 연구에서는 프랑스어 의료 질의응답 (QA)을 사례 연구로 사용하여 의료 도메인 적응에 대한 연구를 제시합니다. 우리는 세 가지 모델 제품군, 다양한 크기, 세 가지 초기화 유형에 걸쳐 지속적 사전 학습 (continual pretraining, CPT), 지도 미세 조정 (supervised fine-tuning, SFT), 그리고 이들의 조합을 비교하며, 적응 효과를 베이스 모델 (base model) 선택과 명확히 분리하여 분석합니다. 우리는 자동 지표와 LLM-as-a-Judge 평가를 사용하여 탐욕적 디코딩 (greedy decoding) 및 제약 디코딩 (constrained decoding) 하에서 다지선다형 질의응답 (multiple-choice QA, MCQA)과 개방형 질의응답 (open-ended QA, OEQA)을 모두 평가합니다. MCQA의 경우, CPT+SFT가 가장 높은 점수를 얻는 경우가 많지만, SFT 대비 이득은 작고 통계적으로 유의미하지 않은 경우가 빈번하여 SFT가 강력하고 비용 효율적인 기본 설정이 됩니다. OEQA의 경우, CPT는 중첩 기반 지표 (overlap-based metrics)를 일관되게 개선하는 반면, SFT는 생성 품질을 저하시키는 경우가 많습니다. 지시어 튜닝 (instruction tuning)과 CPT+SFT는 LLM 기반 평가에서 선호됩니다. 교차 언어 (Cross-lingual) 실험은 프랑스어 적응에서 영어 벤치마크로의 효과적인 전이를 추가로 보여줍니다. 전반적으로, 우리는 계산 자원 제약 하에서 적응 전략을 선택하기 위한 실질적인 가이드라인을 제공합니다.