본 논문은 대규모 언어 모델(LLM)의 지속적 지시 조정(CIT) 과정에서 발생하는 치명적 망각(CF) 문제를 해결하기 위해 Key-part Information Gain (KPIG) 기반의 새로운 방법을 제안합니다. 기존 방법들이 표면적인 패턴만 기억하거나 과적합되는 문제를 해결하기 위해, KPIG는 마스크된 부분에 대한 정보 이득을 계산하여 데이터를 동적으로 재생하고 훈련 목표를 개선합니다. 이를 통해 LLM이 정답과 관련된 작업 인식 정보를 포착하고 지시 사항의 일반적인 설명에 대한 과적합을 완화할 수 있습니다. 또한, LLM의 일반화 및 지시 따르기 능력을 측정하기 위한 두 가지 지표인 P-score와 V-score를 제안합니다. 실험 결과, 제안된 방법이 기존 방법보다 기존 작업과 미처 본 작업 모두에서 우수한 성능을 달성함을 보여줍니다.
