안내·정책
저장한 기사
AI 추론 상태가 반복적으로 연결되는 구조를 표현한 이미지
AI모델

다중 페이지 문서 분할을 위한 RICoT 프레임워크 공개

대형 언어 모델을 활용한 페이지 스트림 세분화(PSS)를 위해 순차적 처리 방식을 도입한 RICoT 프레임워크가 발표되었습니다. 실제 금융 문서 벤치마크와 오픈웨이트 모델을 통한 성능 검증 결과가 공개되었습니다.

huggingface.co0개 댓글0회 조회

30초 핵심 브리핑

  • RICoT는 슬라이딩 윈도우 내에서 페이지별 추론과 경계 결정을 수행하고 요약 기록을 다음으로 전달하는 프레임워크입니다.
  • 연구팀은 205개의 익명화된 실제 금융 페이지 스트림으로 구성된 FinancePSS-205 벤치마크를 공개했습니다.
  • TABME 테스트 하위 집합에서 GLM-5를 적용한 RICoT는 문서 F1 0.847, 경계 F1 0.915를 기록했습니다.

원문 보기 · huggingface.co ↗출처 · Hugging Face Papers

GLM-5 문서 F1
0.847
GLM-5 경계 F1
0.915
FinancePSS-205 규모
205개 스트림

대형 언어 모델을 활용한 페이지 스트림 세분화(PSS)는 여러 페이지로 구성된 파일을 개별 문서로 분할하는 작업이다. 기존의 출판된 LLM 방식들은 단일 페이지나 인접한 소수의 페이지를 대상으로 경계 분류를 수행하는 한계가 있었다. 상업용 문서 분할 API의 경우 구체적인 방법론을 공개하지 않는 상황이다. 이에 연구진은 전체 스트림에 걸친 순차적 프로세스로 PSS를 재정립하는 RICoT(Recurrent Interleaved Chain-of-Thought) 프레임워크를 제안했다.

RICoT는 사람이 문서를 읽는 방식에 착안하여 프레임워크를 설계했다. 슬라이딩 윈도우 내에서 각 페이지를 추론하고 경계 여부를 결정한 뒤 다음으로 이동한다. 창과 창 사이에서는 읽은 내용에 대한 압축된 기록을 전달하여 호출당 비용을 제한하는 구조를 갖췄다. 이와 함께 실제 익명화된 금융 페이지 스트림 205개로 구성된 벤치마크인 FinancePSS-205가 공개되었다.

FinancePSS-205 벤치마크 테스트에서 RICoT는 세 가지 오픈웨이트 LLM을 대상으로 동일한 백본을 사용했을 때 기존의 쌍대 및 윈도우 방식과 동등하거나 더 우수한 성능을 보였다. TABME 테스트 하위 집합에서 GLM-5와 결합한 RICoT는 문서 F1 0.847, 경계 F1 0.915를 기록하여 기존의 제로샷 결과들을 상회했다. 또한 페이지별 추론 여부에 따라 대형 교사의 결정을 학습한 2B 파라미터 규모의 학생 모델은 두 모드 모두에서 유사한 성능을 보였으며, FinancePSS-205에서 가장 성능이 높은 프롬프트 모델과 0.05 이내의 문서 F1 차이를 나타냈다.

주요 내용 비교

항목내용
프레임워크명RICoT (Recurrent Interleaved Chain-of-Thought)
공개 벤치마크FinancePSS-205 (205개 실제 금융 페이지 스트림)
주요 성능 (GLM-5)문서 F1 0.847 / 경계 F1 0.915 (TABME 하위 집합)
학생 모델 규모2B 파라미터

자주 묻는 질문

RICoT 프레임워크는 어떤 문제를 해결하기 위해 개발되었나요?

RICoT는 기존 LLM 기반 페이지 스트림 세분화가 인접한 소수 페이지의 경계 분류에만 국한되던 한계를 극복하고, 전체 스트림을 순차적으로 읽으며 비용을 제한하면서 문서를 정확하게 분할하기 위해 개발되었습니다.

FinancePSS-205 벤치마크의 특징은 무엇인가요?

FinancePSS-205는 실제 환경에서 수집된 205개의 익명화된 금융 페이지 스트림으로 구성된 벤치마크로, 공개적으로 배포되어 오픈웨이트 LLM의 문서 분할 성능을 평가하는 데 사용됩니다.

댓글

0개

아직 공개된 댓글이 없습니다. 첫 의견을 남겨 주세요.

이 기사가 유용했나요? (선택)

댓글은 이메일을 공개하지 않으며 검토 후 게시됩니다.

AI 에이전트의 규칙 준수 여부를 점검하는 디지털 평가 과정을 표현한 이미지
AI모델

실무 환경 속 지속성 있는 AI 에이전트의 규칙 위반 측정 벤치마크 Unfinished-Bench 공개

Hugging Face Papers에서 공개한 Unfinished-Bench는 사용자 감독 없이 장시간 실행되는 지속형 AI 에이전트의 현실적인 규칙 위반 위험을 측정하는 벤치마크입니다. 7개 조직과 7개 위험 카테고리 내 97개 시나리오를 통해 에이전트의 지속성이 규칙 위반에 미치는 영향을 분석합니다.

인공초지능과 재귀적 자기 개선의 한계를 다룬 컴퓨터 과학적 분석 일러스트
AI모델

인공초지능(ASI) 도래 주장의 3가지 기술적 허점과 실무적 위험

최근 앤스로픽과 OpenAI 등 주요 AI 기업들이 재귀적 자기 개선(RSI)을 통한 초지능 도달 가능성을 경고하고 있으나, 컴퓨터 과학 관점에서는 계산 가능성 한계와 데이터 병목 등으로 인해 실현 가능성이 희박하다는 지적이 제기되었습니다. 그러나 지능 폭발이 오지 않더라도 자율 실행 시스템의 오남용으로 인한 실무적 위협은 여전히 유효합니다.