대규모 지시 이행 모델(Large instruction-following models)은 강력하지만 배포 비용이 많이 듭니다. 특히 금융 분야에서는 기밀 유지 문제와 전문가 주석(annotation) 비용으로 인해 라벨링된 데이터가 제한적입니다. 우리는 대규모 지시 조정(instruction-tuned)된 교사(teacher) 모델로부터 소형 학생(student) 모델로 지식을 전달하는 합성 데이터 기반 증류(distillation)를 통해 금융 감성 분석(financial sentiment analysis)을 수행하는 효율적인 프레임워크를 제시합니다. 이 프레임워크는 소수의 실제 사례가 수집되어 수동으로 라벨링되는 저자원(low-resource) 환경을 위해 설계되었습니다. 그런 다음 프레임워크는 사례들을 클러스터링(clustering)하고, 이 클러스터를 사용하여 구조화된 퓨샷 프롬프팅(structured few-shot prompting)을 통해 합성 사례를 생성하기 위한 시드(seeds)를 선택합니다. 실험 결과, 클러스터링 기반의 시드 선택이 무작위 샘플링(random sampling)보다 더 대표성 있는 합성 데이터를 생성하며, 이를 통해 소형 모델이 최소한의 감독(supervision)만으로도 강력한 성능을 달성할 수 있음을 보여줍니다. 특히, 더 복잡하고 노이즈가 많은 텍스트 도메인에서 전체 합성-시드 코퍼스(synthetic-seed corpus)로 학습된 소형 모델은 공식적인 텍스트(formal text)에서 경쟁력을 유지하는 동시에 교사 모델의 성능을 능가하기까지 합니다. 이 프레임워크는 최소한의 인간 라벨링 노력으로 금융 NLP 분야에서 자원 효율적인 도메인 적응(domain adaptation)을 위한 실질적인 경로를 제공합니다.