FLock Research Team의 논문 3편이 유럽의 주요 머신러닝·데이터마이닝 학회인 ECML PKDD 2026에 채택됐습니다. 세 논문 모두 LLM이 추론 과정에서 흔히 보이는 실패를 서로 다른 방식으로 줄이는 연구.
첫 번째 IGA는 같은 논리라도 수학·의료·법률처럼 표현되는 분야가 바뀌면 모델이 실패하는 문제를 다룸. 문맥이 달라도 유지되는 추론 패턴을 학습하도록 만들었고, 논문 결과 기준 분포 밖 정확도가 최대 14.3%p 개선되고 논리적 일관성은 4배 높아짐.
두 번째 추론 초반의 작은 오류 때문에 전체 답변을 다시 생성하는 대신, 검증된 출발점과 목표 사이에서 잘못된 구간만 찾아 고치는 내용. 수정 결과는 다른 LLM이 아니라 Lean 4와 Python 기반 검증기로 확인하며, 문제당 사용 토큰을 31.2% 줄였다고 함.
세 번째 HoloCoT는 추론이 길어질수록 처음 목표에서 벗어나는 ‘계획 이탈’을 줄이는 방법. 전체 계획을 압축한 표현을 각 추론 단계에 함께 유지해 계획 이탈을 63% 줄이고, 7B~72B 모델에서 평균 정확도를 7.4%p 높임. 학습용 보조 모듈은 추론 시 제거해 추가 추론 비용도 없음.
개인적으로 흥미로운 건 세 연구가 단순히 모델을 더 오래 생각하게 만드는 게 아니라, 지름길 학습·중간 오류·장기 목표 이탈을 각각 분해해 고친다는 점인것 같음. FLock이 분산형 학습 인프라만 제공하는 게 아니라 자체 모델 연구까지 이어가고 있다는 증거라고 생각되네요
다만 논문 채택과 실제 제품 적용은 별개이므로, 이 기술들이 향후 FLock의 프라이버시 보존형 학습 플랫폼에 어떻게 반영되는지가 다음 확인 지점으로 가져가야할듯
https://x.com/flock_io/status/2099199751090811001