플록(FLock) 리서치팀 논문 3편이 유럽 머신러닝·데이터마이닝 학회인 ECML PKDD 2026에 채택됐다. 연구는 대형언어모델(LLM)이 복잡한 문제를 풀 때 발생하는 추론 이탈과 오류를 줄이는 데 초점을 맞췄다.
플록은 13일 연구팀 논문 3편이 ECML PKDD 2026에 선정됐다고 밝혔다. ECML PKDD 2026은 9월 7일부터 11일까지 이탈리아 나폴리에서 열린 학술회의로, 머신러닝과 데이터베이스 지식 발견 분야를 다룬다.
이번 연구 3편은 LLM의 복잡한 추론 과정에서 반복되는 문제를 나눠 다뤘다. 모델이 문제의 핵심과 무관한 지름길을 택하는 현상, 추론 중간에 오류가 발생하는 현상, 추론 단계가 길어지면서 처음 설정한 목표에서 벗어나는 현상 등이다.
한 연구는 여러 단계에 걸친 장시간 추론에서 모델이 원래의 사고 흐름을 유지하도록 하는 방법을 제시했다. 연구 결과 해당 방법을 적용하면 추론 과정의 이탈 정도가 63% 낮아지고, 서로 다른 규모의 모델에서 평균 정확도가 7.4%포인트 높아졌다.
나머지 두 연구는 낯선 문제를 마주했을 때의 추론 능력과 오류 발견 뒤 국소적으로 추론을 수정하는 효율을 각각 높이는 데 초점을 맞췄다. 답변 결과만 평가하는 방식에서 벗어나 모델이 문제를 풀어가는 과정 자체를 점검하려는 접근이다.
플록 리서치는 대형언어모델의 학습과 추론, 신뢰성 문제를 중심으로 연구를 진행하고 있다. 플록은 앞서 레드햇과 연합학습 플랫폼 협력을 추진하며 기관용 AI 생태계 확장을 시도했다.
이번 논문 채택만으로 연구 결과가 상용 서비스나 실제 이용자용 모델에 적용됐다고 볼 수는 없다. 공개된 내용에는 적용 제품이나 도입 기관, 계약 규모, 매출 기여 수치가 제시되지 않았다. 논문 채택과 플록 토큰 가치 사이의 직접적인 연관성도 제시되지 않았다.
연구 결과가 실제 모델과 서비스 환경에서도 재현되는지는 후속 논문 공개와 적용 사례를 통해 확인해야 한다.

