본 논문은 금융 분야에 특화된 대규모 언어 모델(LLM)이 일반적인 추론 능력을 잃는 문제를 해결하기 위해, 선택적 매개변수 평가 및 모델 병합(SPEAR-MM)이라는 프레임워크를 제시한다. SPEAR-MM은 사후 분석을 통해 레이어별 영향을 평가하고, 구형 보간 병합을 통해 변환기 레이어를 선택적으로 고정하거나 복원한다. LLaMA-3.1-8B 모델에 적용한 결과, 일반적인 능력의 91.2%를 유지하면서, 도메인 적응 이득의 94%를 달성했다. 또한, 해석 가능한 trade-off 제어를 제공하고, 계산 비용을 90% 절감하여 자원 제약적인 금융 기관에 유용하다.
