멀티모달 생성 모델(Multimodal generative models)은 유창한 출력을 생성하지만, 생성이 구조화된 지식, 도메인 특화 지식 또는 안전이 중요한 지식을 준수해야 할 때는 여전히 신뢰할 수 없는 상태로 남아 있습니다. 기존 방법들은 프롬프트 증강(prompt augmentation), 가이드(guidance), 잠재 편집(latent editing) 또는 미세 조정(fine-tuning)과 같은 메커니즘을 통해 지식을 통합하지만, 이들은 일반적으로 생성 과정의 어떤 구성 요소를 수정하느냐가 아니라 기술(technique)에 따라 분류됩니다. 우리는 반복적 생성 모델(iterative generative models)에서의 지식 주입이 근본적으로 개입 계층(intervention-layer) 문제라고 주장합니다. 생성 과정은 내부 상태(internal states)의 궤적(trajectory)으로 전개되므로, 지식은 이 과정의 구조적으로 구별되는 네 가지 구성 요소, 즉 입력/출력 경계(input/output boundary), 전이 함수(transition function), 중간 상태(intermediate state), 그리고 모델 파라미터(model parameters)에 작용할 수 있습니다. 이는 표면(surface), 궤적(trajectory), 잠재(latent), 그리고 파라미터(parametric) 주입이라는 네 가지 개입 계층으로 매핑됩니다. 우리는 확산 모델(diffusion models)에서 이 프레임워크를 구체화하고, 대표적인 방법들을 네 가지 계층 모두에 매핑하며, 다층 구성(multi-layer composition)을 위한 설계 원칙을 도출합니다. 두 개의 확산 백본(diffusion backbones)과 멀티모달 지식 그래프(multimodal knowledge graph)를 사용한 통제된 안전 정렬(safety-alignment) 실험에서, 우리는 네 가지 계층 중 세 가지인 표면(입력 측 및 출력 측)과 궤적-잠재(생성 중간 단계) 계층을 누적적으로 구현합니다. 우리는 경험적으로 각 추가 계층이 이전 계층이 도달할 수 없는 실패 클래스(failure classes)를 해결하며, 바닐라 생성(vanilla generation) 대비 지식 위반 출력을 70.97% 감소시킴으로써 프레임워크의 상호 보완성 예측을 실증적으로 확인합니다.