언어모델이 사람처럼 반응하고, 사람 곁에서 일하기 시작할 때

이번 주 논문들은 언어모델을 성능 벤치마크 밖으로 끌어내 사회적 맥락 속 행위자이자 현장 조력자로 바라본다. 권력 관계 속에서 모델이 인간의 사회인지적 효과를 보이는지 묻는 연구부터, 신약 설계·법률 판례 분류·암 생존자 정신건강 지원처럼 현실 적용 영역에 파고드는 연구, 그리고 추론 모델의 낭비를 줄이는 효율화 연구까지, 공통된 질문은 하나다. 모델을 사람과 현실의 맥락 안에 놓았을 때 무엇이 드러나는가.

권력 비대칭을 부여받은 LLM은 인간의 사회인지적 효과를 일부 재현한다

쉽게 말하면: 사람은 상대의 지위에 따라 말투와 태도가 달라지는데, 이 연구는 LLM에게 높은 지위나 낮은 지위의 페르소나를 맡겼을 때 언어 조율, 대명사 사용, 설득 성공, 위험한 요청에 대한 순응 같은 권력 관련 효과가 나타나는지 확인했다. ¹

기존 LLM 연구는 성격 정렬이나 일반적 인지 편향에 주로 집중했지만, 대화 속 권력 비대칭이 모델 행동을 어떻게 바꾸는지는 상대적으로 덜 다뤄졌다. 연구진은 중재 에이전트, 의료·법률 보조, 튜터, 금융 조언자처럼 LLM이 사람을 직접 상대하는 고위험 역할에 배치되는 상황에서 현실성과 안전성이 모두 중요하다고 봤다. 그래서 교장-교사, 판사-변호사 같은 현실적 역할과 다양한 직업 페르소나를 부여해 다중 턴의 권력 비대칭 대화를 시뮬레이션하고, 네 가지 효과를 측정했다. ¹

측정 대상은 언어 조율, 대명사 사용, 설득 성공, 안전하지 않은 요청에 대한 순응이었다. 이는 인간 의사소통에서 권력 차이가 언어와 행동에 영향을 준다는 사회인지적 효과가 LLM 대화에서도 나타나는지를 보기 위한 설정이다. ¹

결론은 LLM이 권력의 핵심적 사회인지적 효과를 보이지만, 그 양상에는 뉘앙스와 변동성이 있다는 것이다. 이는 양날의 검이다. 더 자연스러운 상호작용에는 도움이 될 수 있지만, 동시에 조작, 편향, 비윤리적 순응 같은 안전 문제로도 이어질 수 있음을 시사한다. 다만 제공된 초록·서론에는 네 효과 각각의 정량 수치가 명시되지 않아 구체적 강도는 확인되지 않는다. 시뮬레이션 대화는 공개됐다. 위계가 개입하는 서비스에 LLM을 투입할 때, 역할 설정 자체가 행동 변화를 낳을 수 있다는 점을 실무자가 경계해야 한다는 함의를 남긴다. ¹

강화학습으로 분자 생성 확산모델을 여러 약물 조건에 맞춰 미세조정하다

쉽게 말하면: 단백질 포켓에 맞는 신약 후보 분자를 만드는 AI가 그동안은 주로 학습 분포를 맞추는 데 머물렀는데, 이 연구는 강화학습으로 결합력·약물성·합성 가능성·다양성 같은 실제 조건을 동시에 만족하도록 다듬는 방법을 제시했다. ²

구조 기반 신약 설계(SBDD)에서 포켓 인식 3차원 생성모델은 연구를 빠르게 진전시켰지만, 대부분의 방법은 주로 학습 분포를 맞추는 데 초점을 두어 실제 치료제 개발이 요구하는 여러 속성을 동시에 만족하는 데 한계가 있을 수 있다. 최근에는 결합 친화도, 약물성, 합성 가능성, 다양성 같은 여러 분자 속성을 세밀하게 제어하려는 구조 기반 분자 최적화(SBMO)에 관심이 커지고 있다. ²

연구진이 제안한 DePPA는 사전학습된 포켓 인식 확산모델을 강화학습으로 미세조정하는 방식이다. 확산모델의 역방향 디노이징 과정을 다단계 마르코프 결정 과정으로 정식화하고, 최종 생성된 리간드 분자에서 평가한 목표 속성을 보상 신호로 삼는다. RL 미세조정 중에는 거친 디노이징 스케줄러를 도입해 효율적이고 효과적인 분자 최적화를 노렸다. ²

CrossDocked2020 벤치마크에서 DePPA는 결합 친화도(Vina Score -8.5 kcal/mol), 약물성, 다양성에서 기준 모델들을 앞섰고 합성 가능성에서는 경쟁력 있는 성능을 보였다. 소스코드는 공개됐다. 여러 목표 속성을 보상 신호로 삼아 사전학습된 포켓 인식 확산모델을 미세조정한다는 점에서, 실제 치료제 개발이 요구하는 다중 속성 최적화를 생성모델 위에 얹는 접근을 보여준다. ²

판례가 부정적으로 취급됐는지 판단하는 법률 분류, 정확도만으로는 부족하다

쉽게 말하면: 어떤 판례가 나중 법률 인용에서 부정적으로 다뤄졌는지를 AI가 분류하는 일은 틀리면 큰 위험이 따르는데, 이 연구는 그 오류의 심각도까지 반영한 새 평가 잣대를 제안했다. ³

판례의 부정적 취급을 자동 분류하는 일은 미묘하면서도 오분류의 대가가 큰 과제다. 연구진은 단순 정확도가 이런 위험을 제대로 반영하지 못한다는 점을 문제 삼았다. 오답이라도 어떤 오답은 실무에서 훨씬 치명적일 수 있기 때문이다. 이를 보완하기 위해 실제 법률 인용 239건을 전문가가 주석한 새 데이터셋을 구축하고, 분류 오류의 실질적 영향을 재는 평균 심각도 오류(Average Severity Error) 지표를 새로 도입했다. ³

현대 LLM들을 이 데이터셋으로 벤치마킹한 결과 성능이 과제 난이도에 따라 갈렸다. 상위 수준의 분류 과제에서는 구글의 Gemini 2.5 Flash가 79.1%로 가장 높은 정확도를 보였고, 더 복잡한 세분화 스키마에서는 OpenAI의 GPT-5-mini가 67.7%로 선두였다. 한 모델이 모든 난이도를 지배하지 못한다는 점이 드러난 것이다. ³

이 연구는 맥락이 풍부한 새 데이터셋과 함께, 법률 추론 과제의 특성에 맞춘 평가 지표라는 기준선을 세웠다는 데 의미가 있다. 다만 데이터셋 규모는 239건이며, 제공된 초록에는 평균 심각도 오류 지표의 구체적 산출 방식이나 모델별 심각도 오류 수치가 나오지 않아 그 부분은 확인되지 않는다. 법률 보조 AI를 실제로 쓸 때, 정확도가 높은 모델이라도 세분화된 판단에서는 다른 양상을 보일 수 있으므로 과제 난이도별 검증이 필요하다는 점을 시사한다. ³

회의를 이끄는 스크럼 마스터의 감정을 실시간으로 되비추는 AI

쉽게 말하면: 팀 회의를 진행하는 사람이 자기도 모르게 내비치는 부정적 감정을 실시간으로 짚어주는 AI를 만들어, 더 긍정적이고 효과적인 팀 상호작용을 돕려는 시도다. ⁴

애자일 팀원의 정서적 안녕에 관한 연구는 늘고 있지만, 정작 팀 역학에 결정적 영향을 주는 스크럼 마스터와 회의 주최자의 감정 모니터링은 공백으로 남아 있었다. 연구진은 이들이 무의식적으로 드러내는 감정을 실시간으로 감지하는 것을 목표로 삼았다. 이 역할의 감정 표현이 팀 역학에 중요한 영향을 준다고 봤기 때문이다. ⁴

제안한 EGI 프레임워크는 신중히 고른 네 개의 AI 모델을 통합한다. 음성-텍스트 모델로 실시간 전사를 하고, 억양 분석에 임계값을 적용해 운율에서 감정 단서를 잡아내며, 감정 기반 어휘 매칭으로 발화 내용의 정서를 식별하고, 오픈소스 다중 모듈 AI API로 감정 키워드를 담은 맥락 인식 제안을 제공한다. 즉 목소리의 높낮이와 말의 내용을 함께 읽어 감정을 추정하고, 그 자리에서 개선 제안을 돌려주는 구조다. ⁴

모의 회의 환경에서 음성 인식의 단어 오류율(WER)은 10%였고, 실시간 피드백이 모의 애자일 회의 중 감정 인식을 유의미하게 향상시켰다고 보고한다. 스크럼 마스터와 회의 주최자가 부정적 감정 표현을 빠르게 식별하고 줄이도록 실시간의 실용적 제안을 준다는 것이다. 다만 평가가 모의 회의에 국한됐고, WER 외에 감정 감지 자체의 정확도 수치는 제공된 초록에서 확인되지 않는다. ⁴

말없는 순간을 읽어내는 에이전트, 암 생존자 정신건강 지원의 새 방법

쉽게 말하면: 가장 힘든 순간일수록 사람들은 설문에 답하지 않을 수 있는데, 이 연구는 스마트폰의 수동 센싱 데이터를 AI 에이전트가 임상 추론처럼 조사해 암 생존자의 지원 필요성을 추론하게 만들었다. ⁵

미국에는 2026년 기준 1,800만 명 넘는 암 생존자가 있고, 그중 거의 3분의 1이 임상적으로 유의한 우울·불안·정서적 고통을 겪는다. 문제는 지원이 가장 필요한 순간에 자기보고가 드문드문 비는 일기 역설(diary paradox)이다. 스마트폰 수동 센싱은 지속적이고 눈에 띄지 않는 대안이지만, 기존 센싱 기반 정서 예측은 정확도 한계에 부딪혀 왔다. 연구진은 병목이 이용 가능한 데이터뿐 아니라 행동 신호를 해석하는 방식에도 있다고 봤다. ⁵

제안한 Pulse는 고정 특징 파이프라인에서 에이전트 기반 센싱 조사로 전환한다. 여덟 개의 전용 도구를 갖춘 LLM 에이전트가 스마트폰 센싱 데이터를 스스로 질의하고, 현재 행동을 개인화된 기준선과 비교하며, 검색 증강으로 집단 수준 비교를 통해 추론을 보정한다. 어떤 데이터를 볼지, 얼마나 과거까지 거슬러 볼지, 얼마나 깊이 파고들지를 에이전트가 스스로 결정한다는 점이 핵심으로, 가설 주도의 임상 추론을 본뜬 것이다. ⁵

50명의 암 생존자를 대상으로 추론 구조(구조적 vs 에이전트)와 데이터 양식(센싱만 vs 일기 포함)을 교차한 2x2 설계로 평가했다. 결과의 핵심 동인은 에이전트 추론 자체였다. 일기와 센싱을 함께 쓴 에이전트형 멀티모달 구성은 감정 조절 욕구 예측에서 균형 정확도 0.743을, 수동 센싱만 쓴 에이전트는 개입 가능성 예측에서 0.713을 기록했다. 이는 에이전트식 조사가 수동 센싱의 임상적 가치를 여는 열쇠가 될 수 있음을 시사한다. 다만 제공된 근거에서 확인되는 평가는 50명의 암 생존자 연구에 기반한다. ⁵

답을 이미 찾았는데도 멈추지 않는 추론 모델, 언제 멈춰야 하나

쉽게 말하면: 요즘 추론 AI는 답이 안정된 뒤에도 생각을 이어가며 시간과 비용을 낭비할 수 있는데, 이 연구는 추론이 더 이상 새 진전을 만들지 않을 때 멈추게 하는 방법으로 평균 26.2%의 토큰을 줄였다. ⁶

DeepSeek-R1이나 OpenAI o1 같은 대형 추론 모델(LRM)은 긴 사고 사슬(CoT)로 강한 성능을 내지만, 해답이 이미 안정된 뒤에도 계속 추론해 토큰을 낭비하고 지연을 늘릴 수 있다. 기존 추론 시점 조기 종료 기법은 신뢰도나 시행 답변 일관성 같은 답변 수준 신호에 주로 의존했는데, 이는 답이 준비됐는지를 볼 뿐 추론이 실제로 수렴했는지는 재지 못한다. 그래서 모델이 아직 탐색하거나 자기교정 중일 때 성급히 멈춰 정확도를 떨어뜨리거나 유지된 추론 사슬을 의미상 불완전하게 남길 수 있다. ⁶

연구진은 추론 수준의 의미적 중복이라는 보완 신호에 주목했다. 최근 단계들이 새로운 진전을 더하지 않고 이미 세운 결론을 되풀이하면 추론 궤적이 수렴했을 가능성이 높다고 본다. 이를 구현한 PUMA는 가벼운 중복 탐지기와 답변 수준 검증을 결합한 플러그앤플레이 프레임워크다. 탐지기는 의미적으로 중복된 후보 종료점을 표시하고, 검증은 종료가 안전한지 확인해 답변 정확도와 일관된 추론 접두부를 보존하면서 불필요한 이어쓰기를 제거한다. ⁶

다섯 개 LRM과 다섯 개 난도 높은 추론 벤치마크에서 PUMA는 정확도와 유지된 CoT 품질을 보존하면서 평균 26.2%의 토큰을 줄였다. 코드 생성, 제로샷 비전-언어 추론, 학습된 종료 정책의 내재화 실험에서도 추론 수준 중복이 견고하고 전이 가능하며 학습 가능한 신호임을 보였다. 코드는 공개됐다. 추론 모델의 지연과 비용을 낮추려는 환경에서 활용 가능성이 있는 접근이다. ⁶