기존의 크로스 도메인 일반화를 위한 언어 모델들은 특정 작업에 대한 추론 능력을 보여주었지만, 일반적인 코퍼스를 이용한 상향식 학습 방식으로는 심도 있는 도메인 전문 지식에 필요한 추상화 능력을 습득하는 데 한계가 있다. 본 논문에서는 도메인 기본 개념을 더 복잡한 개념으로 구성하는 하향식 접근 방식을 제시한다. 지식 그래프(KG)는 도메인 기본 개념을 head-relation-tail 에지로 표현하고, 경로는 고차원 개념을 인코딩하는 구성적 구조를 제공한다. 본 연구는 KG 기본 개념으로부터 직접 작업을 생성하는 파이프라인을 제시하여 모델이 이를 습득하고 추론을 위해 구성할 수 있도록 한다. 의학 분야를 중심으로, 의학 KG를 이용하여 다양한 의학 기본 개념에서 파생된 24,000개의 추론 작업과 사고 과정을 큐레이션하고, QwQ-32B 모델을 이 커리큘럼으로 미세 조정하여 의학적 초지능을 향한 진전을 보이는 QwQ-Med-3 모델을 얻었다. 또한 15개의 의학 도메인에서 추론 능력을 정량화하는 평가 세트인 ICD-Bench를 소개한다. 실험 결과, QwQ-Med-3은 ICD-Bench 범주에서 최첨단 추론 모델을 능가하며, 특히 어려운 작업에서 획득한 기본 개념을 활용하여 성능 차이를 넓히는 것을 보여준다. 의학 질의응답 벤치마크 평가에서도 QwQ-Med-3은 획득한 전문 지식을 기반 모델의 성능 향상에 전이시키는 것을 확인했다. 인공 일반 지능(AGI)에 대한 업계의 접근 방식은 광범위한 전문 지식을 강조하지만, 본 연구는 효율적인 도메인 특정 초지능 에이전트의 구성 가능한 상호 작용으로부터 AGI가 출현하는 미래를 제시한다.
