대규모 언어 모델(LLM)은 강력한 AI 기능을 제공하지만 높은 자원 비용과 지연 시간으로 인해 배포에 어려움이 있으며, 소규모 언어 모델(SLM)은 효율성과 배포 용이성을 제공하지만 성능 저하라는 단점이 있습니다. 본 논문은 LLM과 SLM의 협업을 통해 이러한 상충 관계를 시너지 효과적으로 해결하고, 특히 자원 제약이 있는 에지 장치에서 고급 AI 애플리케이션을 가능하게 하는 중요한 패러다임으로 제시합니다. LLM-SLM 협업에 대한 포괄적인 개요를 제공하며, 다양한 상호 작용 메커니즘(파이프라인, 라우팅, 보조, 증류, 융합), 주요 기술, 그리고 저지연, 개인 정보 보호, 개인화 및 오프라인 작동과 같은 온디바이스 요구 사항에 의해 주도되는 다양한 애플리케이션 시나리오를 자세히 설명합니다. 더욱 효율적이고 적응력 있으며 접근 가능한 AI를 만드는 잠재력을 강조하는 동시에 시스템 오버헤드, 모델 간 일관성, 강력한 작업 할당, 평가 복잡성 및 보안/개인 정보 보호 문제와 같은 지속적인 과제에 대해서도 논의합니다. 미래 방향은 보다 지능적인 적응형 프레임워크, 심층 모델 융합 및 다중 모달 및 구현된 AI로의 확장을 가리키며, LLM-SLM 협업을 차세대 실용적이고 유비쿼터스 인공 지능의 주요 동인으로 자리매김합니다.
