대규모 언어 모델의 발전으로 자원이 풍부한 언어에 대한 개체명 인식(NER) 성능이 크게 향상되었지만, 자원이 부족하거나 중간 수준인 언어의 경우 개선의 여지가 크다. 기존의 다국어 NER 방법은 다국어 적응 과정에서 심각한 언어 간섭 문제에 직면하는데, 이는 서로 다른 언어 간의 특징 충돌과 자원이 풍부한 언어의 특징이 자원이 부족한 언어의 특징을 억압하는 경쟁적 억제 현상으로 나타난다. 각 언어에 대해 전용 모델을 훈련하면 이러한 간섭을 완화할 수 있지만, 확장성이 부족하고 실제 응용 프로그램에서 과도한 계산 비용이 발생한다. 이러한 문제를 해결하기 위해 본 논문에서는 동적 LoRA 기반의 범용 다국어 NER 프레임워크인 RetrieveAll을 제안한다. 이 프레임워크는 언어 간의 작업별 특징을 분리하고 효율적인 동적 적응성을 보여준다. 또한, 외부 리소스에 의존하지 않고 데이터의 고유한 잠재력을 완전히 활용하는 크로스-그래뉼러리티 지식 증강 방법을 제안한다. 계층적 프롬프팅 메커니즘을 활용하여 지식 주입을 안내함으로써, 이 방법은 "프롬프트 기반 추론" 패러다임을 "프롬프트 기반 학습"으로 발전시킨다. 실험 결과, RetrieveAll은 기존 기준 모델보다 성능이 우수하며, PAN-X 데이터셋에서 평균 F1 점수가 12.1% 향상되었다.
