연구자들은 DRIFTLENS를 소개했습니다. 이는 정답 기준이 없는 프레임워크로, 사용자 속성 기억이 대규모 언어 모델의 추론 궤적을 어떻게 재형성하는지 정량화합니다. 이 연구는 이 프레임워크가 4개의 LLM과 10개의 사용자 속성 범주에 걸쳐 실질적인 추론 변화와 실용적 노이즈를 구별할 수 있음을 검증했습니다.

  • 사용자 속성 기억은 최종 답변이 유창하고 타당하더라도 실용적 노이즈 바닥면보다 중간에서 대규모 추론 드리프트를 유발합니다.
  • GRPO 및 DPO 기반 사후 훈련 방법은 이 드리프트를 줄이지만, 효과 측면에서 어느 하나가 일관되게 우위를 점하지는 않습니다.
  • 완화 전략이 하류 능력, 유용성, 지시 따름에 미치는 영향은 모델과 보상 함수에 따라 다릅니다.

이 결과는 기억 유도 추론 드리프트가 개인화된 언어 모델의 측정 가능한 실패 모드이며 현재 사후 훈련 기법으로는 부분적으로만 완화됨을 나타냅니다.