본 논문은 대규모 언어 모델의 지시어 미세 조정 효율성을 높이기 위해 새로운 필터링 프레임워크인 Low-Confidence Gold (LCG)를 제시한다. LCG는 중심 기반 클러스터링과 신뢰도 기반 선택을 활용하여 가치 있는 지시어 쌍을 식별한다. 경량 분류기를 사용한 준지도 학습 방식으로 고품질의 하위 집합을 생성하면서 데이터 다양성을 유지한다. 실험 결과, LCG로 필터링된 6K 개의 샘플로 미세 조정된 모델은 기존 방법보다 MT-bench에서 성능이 뛰어나며, 종합적인 평가 지표에서 일관된 성능 향상을 보였다. 이는 모델 성능을 유지하면서 효율적인 지시어 미세 조정을 위한 유망한 방향을 제시한다.
