본 논문은 대규모 모델 내 잠재 지식의 중복 표현과 문맥 정확도 최적화 문제를 해결하기 위해, 고급 클러스터링 기법과 동적 임계값 설정을 통한 중복 구조 재구성 프레임워크를 제안한다. 이 프레임워크는 중요한 의미 관계를 유지하면서 불필요한 중복을 제거하여 메모리 효율과 추론 속도를 향상시키고, 잠재 지식 클러스터의 정렬을 개선하여 해석성을 높였다. 번역 및 요약 작업에서 성능 향상과 에너지 소비 감소를 보였으며, 오류율 감소 및 적대적 공격에 대한 강건성 향상을 통해 다양한 응용 분야에서 모델 신뢰성을 높이는 데 기여함을 보여준다. 잠재 공간 평가를 통해 클러스터 정렬 및 의미 일관성이 향상된 표현 충실도를 확인하였다.
