익숙하지 않은 분야에서 떨어지는 언어모델의 수치 추론 정확도를 끌어올리는 학습 프레임워크 TaNOS(Table Numerical Reasoning with Operation Sketches)가 공개됐다. 온톨로지 기반 엔터프라이즈 AI 기업 인포시즈(대표 탁정수)의 연구진이 개발했으며, 이를 다룬 논문은 자연어처리 분야 국제 학술지 TACL(Transactions of the Association for Computational Linguistics)에 게재되고 EMNLP 2026 발표 논문으로 채택됐다. 제1저자는 조한준 연구원(Applied Scientist)이다.
EMNLP 2026은 10월 24일부터 29일까지 헝가리 부다페스트에서 열리고 있다. 조한준 연구원은 지난 26일 현장에서 구두 발표를 진행했다. 인포시즈는 EMNLP를 ACL, NAACL과 함께 자연어처리 분야의 주요 국제학술대회로 꼽았다.
언어모델이 낯선 분야에서 흔들리는 이유
기존 언어모델은 학습한 용어와 데이터 패턴에 의존하는 한계가 있다. 그래서 익숙하지 않은 분야에서는 추론 성능이 떨어진다. 금융 분야에서 학습한 모델이 바이오나 기계공학 분야의 표를 분석하면 용어와 데이터 구성의 차이로 추론 정확도가 낮아질 수 있다는 설명이다.
인포시즈 연구진은 이러한 문제를 해결하기 위해 TaNOS라는 학습 프레임워크를 개발했다.
합성 데이터와 연산 스케치를 결합한 TaNOS
TaNOS의 합성 데이터는 표에서 숫자와 연산을 먼저 선택해 계산식과 정답을 만들고, 이를 바탕으로 질문을 생성하는 방식으로 만든다. 여기에 두 가지 기법을 결합했다. 하나는 전문 용어를 임의의 단어로 바꾸는 기법이고, 다른 하나는 계산에 필요한 연산 구조를 간략히 표현한 연산 스케치(Operation Sketch)를 학습 신호로 쓰는 기법이다.
전문 용어를 임의의 단어로 바꾸는 방식은 모델이 숫자 사이의 관계와 계산 구조에 집중하도록 유도하기 위한 것이다.
벤치마크 결과: 8B 모델이 상용 모델을 앞섰다
TaNOS로 학습한 모델은 매개변수 80억 개(8B) 규모다. 이 모델은 금융 표 수치 추론 벤치마크에서 85.38%의 정확도를 기록했다. 인포시즈는 이 벤치마크에서 해당 모델이 GPT-5, 클로드 소넷 4.5(Claude Sonnet 4.5), 제미나이 2.5 프로(Gemini 2.5 Pro)보다 높은 정확도를 보였다고 설명했다.
금융 데이터 중심으로 학습한 모델을 바이오·기계공학 표 데이터에 적용했을 때 정확도 하락 폭은 2%포인트 미만이었다. 전체 학습 데이터의 10%만 사용한 경우에도 해당 벤치마크에서 GPT-5보다 높은 정확도를 냈다.
이 연구는 기업이 제한된 데이터와 컴퓨팅 자원으로 전문 업무용 AI를 구축할 때 참고할 수 있는 연구 성과다.
액시엄 개발로 이어지는 합성 데이터 방법론
인포시즈는 이번 합성 데이터 생성 방법론을 자사 엔터프라이즈 AI 솔루션 액시엄(Axiom) 개발에 연계하고 있다. 액시엄은 합성 데이터 생성과 벤치마크 구축 기능을 갖춘 인포시즈의 대표 솔루션이다. 회사는 수치 추론 연구 성과를 솔루션 고도화에 활용할 방침이다.
탁정수 인포시즈 대표는 “인포시즈는 산업 현장의 복잡한 문제를 해결하기 위해 다양한 배경을 가진 우수한 AI 연구자들과 관련 연구를 지속하고 있다”며 “이번 연구 성과를 자사 솔루션에도 연결해 글로벌 시장에도 적용할 수 있는 엔터프라이즈 AI 기술을 만들어 나갈 것”이라고 밝혔다.
EMNLP 2026 행사는 29일까지 부다페스트에서 이어진다.