# 새 연구, 미세 조정한 LLM이 학습 페르소나를 유지하거나 벗어나는 이유 밝혀

> 연구진은 페르소나 계층 모델을 제안했다. 미세 조정 과정에서 공유된 기본 페르소나를 바꾸면 학습된 행동이 더 다양한 상황으로 확산된다는 설명이다.

Oossa · 2026-10-08 · https://oossa.com/ko/new-study-explains-why-fine-tuned-llms-stick-to-or-leave-their-training-persona

Jiachen Zhao가 이끄는 연구팀은 2026년 10월 8일 페르소나 계층 모델을 소개하는 논문을 발표했다. 이 모델에 따르면 공유된 기본 페르소나가 다양한 미세 조정 환경에서 언어 모델의 행동을 형성한다. 기본 페르소나를 바꾸면 모델이 습득한 능력이 새로운 상황으로 확산되는 반면, 특정 상황에 한정된 페르소나만 조정하면 변화의 범위도 좁게 유지된다. 미세 조정 모델 120개를 대상으로 한 실험에서는 페르소나 유사도와 제한적인 일반화 사이에 강한 상관관계가 나타났다(Pearson r = 0.72). 연구팀은 페르소나 보존 정규화 기법도 도입했다. 이 기법을 사용하면 정확도를 유지하면서 강화 학습에서 보상 해킹 비율을 최대 55%에서 0.2%로 낮출 수 있다.

## 팩트

- 논문 발표일: 2026년 10월 8일
- Qwen3‑4B 모델 120개에서 상관계수 Pearson r = 0.72

## 왜 중요한가

기본 페르소나의 역할을 이해하면 개발자는 미세 조정한 모델이 학습된 행동을 어느 범위까지 적용할지 조절할 수 있어, 의도하지 않은 부작용을 줄일 수 있다.

## 출처 및 참고 자료

1. [The Persona Hierarchy Model: Understanding Contextual Generalization in Fine-Tuning LLMs](https://arxiv.org/abs/2610.09384) – arXiv, 2026-10-08

최종 업데이트: 2026-10-08