[논문] 대규모 다국어 사실 검증: 파인튜닝된 소형 모델 vs LLM

출처: arXiv - 2606.08605v1

개요

우리는 Factiverse에 배포된 다국어 사실 검증 시스템을 소개한다. 이 시스템은 다양한 언어에 대해 고처리량·저지연 운영을 목표로 설계되었다. 시스템은 주장 탐지, 증거 검색 및 재정렬, 진위 예측의 세 단계로 구성된 모듈형 파이프라인을 따른다. 우리는 주장 탐지를 위해 XLM‑RoBERTa‑Large를, 세 가지 라벨(지원/반박/혼합) 입장 분류를 위해 mmBERT‑base를, 주장‑증거 매칭을 위해 SetFit 기반 다국어 재정렬기를 각각 파인튜닝하였다. 이 구성요소들을 GPT‑5.2, Claude Opus ~4.6, Qwen3‑8b 등 강력한 LLM 베이스라인과 비교하였다. 114개 언어에 걸친 주장 탐지와 28개 언어에 대한 진위 예측 생산 데이터 실험 결과, 작업 특화 파인튜닝이 강력하고 안정적인 다국어 성능을 제공함을 확인했으며, 파인튜닝된 검색 모델은 최신 상용 임베딩과도 경쟁력을 유지한다. 동일 하드웨어에서 측정한 지연 시간은 인코더 기반 구성요소가 큰 효율성을 제공함을 보여, 비용·프라이버시 제약이 엄격한 실제 서비스에 적합함을 입증한다. 전반적으로, 컴팩트하고 파인튜닝된 자체 호스팅 모델이 대규모 다국어 사실 검증을 위한 실용적이고 효과적인 기반임을 확인하였다. 본 연구에 사용된 코드와 데이터는 https://github.com/factiverse/factcheck-editor 에서 확인할 수 있다.

주요 기여

• cs.CL

방법론

자세한 방법론은 전체 논문을 참고하시기 바랍니다.

실용적 함의

본 연구는 cs.CL 분야의 발전에 기여한다.

저자

• Pratuat Amatya
• Vinay Setty

논문 정보

• arXiv ID: 2606.08605v1
• 분류: cs.CL
• 발표일: 2026년 6월 7일
• PDF: PDF 다운로드