어포던스 컴파일 지능: LLM 시스템 신뢰성 향상

본 연구는 대규모 언어 모델(LLM) 통합 시스템의 신뢰성을 높이기 위한 새로운 이론인 인지 임피던스 매칭 이론(CIMT)을 제안한다. CIMT는 관측 가능 요소만을 활용하며, 모델 가중치 개선이 아닌 시스템 주변 환경 재설계를 통해 고정된 모델 정책의 운영 능력을 향상시키는 데 초점을 맞춘다. 이는 시스템 수준의 역량 증폭을 '세계 측 컴파일 문제'로 접근한다. CIMT는 관측, 유형화된 액션 핸들, 검증자, 복구 경로, 롤백 모드, 권한 범위, 컨텍스트 요약, 감사 가능한 영수증 등 다양한 요소를 통해 시스템 환경을 재구성한다. 운영 주장은 명시적인 주장 객체와 증거 객체를 통해 정의되며, 관측 가능한 원장, 대상 평가 채널, 결정론적 환원자 등을 활용한다. 인간 검토자나 LLM 심사관 등은 특권적인 평가자가 아닌, 명명되고 오류 가능성이 있는 측정 채널로 모델링된다. 이 이론은 대상 채널 개선, 벡터 부채 회계, 금지 좌표 제로 인증, 대상 방화벽 규율, 범위 시뮬레이션 등 다양한 측면에서 보수적인 인증 프레임워크를 제공한다. 또한, 코드 편집 에이전트 및 검색 증강 생성 시스템에 대한 실제 적용 사례를 포함한다. 궁극적으로 본 연구는 관측 가능한 세계 측 인터페이스, 권한, 검증, 복구 및 감사 설계를 통해 고정 모델 LLM 시스템의 신뢰성을 높이는 실용적인 형식적 기반을 제공하고자 한다.