본 논문은 대규모 언어 모델의 지시어 미세조정 효율성을 높이기 위한 새로운 필터링 프레임워크인 Low-Confidence Gold (LCG)를 제안합니다. LCG는 중심 기반 클러스터링과 신뢰도 기반 선택을 통해 유용한 지시어 쌍을 식별하며, 경량 분류기를 이용한 준지도 학습 방식으로 고품질의 데이터 하위 집합을 생성합니다. 실험 결과, LCG로 필터링된 6K 개의 샘플로 미세조정된 모델은 기존 방법보다 MT-bench에서 우수한 성능을 보였으며, 종합적인 평가 지표에서 일관된 성능 향상을 나타냈습니다. 이는 모델 성능을 유지하면서 효율적인 지시어 미세조정을 위한 유망한 방향을 제시합니다.
