기존의 크로스 도메인 일반화를 위한 언어 모델들은 특정 작업에 대한 추론 능력을 보여주었지만, 일반적인 말뭉치를 이용한 상향식 학습 방식은 심층적인 도메인 전문 지식에 필요한 추상화 능력을 습득하기에 부족합니다. 본 연구는 단순한 도메인 개념을 더 복잡한 개념으로 구성하는 것을 학습하여 전문 지식을 습득하는 하향식 접근 방식을 제안합니다. 지식 그래프(KG)는 도메인 기본 요소를 head-relation-tail 에지로 표현하고, 경로는 상위 수준 개념을 인코딩하여 이러한 구성 구조를 제공합니다. 본 연구는 KG 기본 요소에서 직접 작업을 생성하는 작업 생성 파이프라인을 제시하여 모델이 이를 습득하고 추론을 위해 구성할 수 있도록 합니다. 의학 분야를 중심으로 의학 KG를 이용하여 다양한 의학 기본 요소에서 유래된 사고 과정과 함께 24,000개의 추론 작업을 큐레이션하고, QwQ-32B 모델을 이 커리큘럼으로 미세 조정하여 의학 분야의 초지능을 향한 한 걸음인 QwQ-Med-3를 얻었습니다. 또한 15개의 의학 도메인에서 추론 능력을 정량화하는 평가 세트인 ICD-Bench를 소개합니다. 실험 결과, QwQ-Med-3는 ICD-Bench 범주에서 최첨단 추론 모델을 상당히 능가하며, ICD-Bench의 가장 어려운 작업에서 성능 차이를 확대하기 위해 습득한 기본 요소를 활용함을 보여줍니다. 의학 질의응답 벤치마크 평가 결과, QwQ-Med-3는 습득한 전문 지식을 기반 모델의 성능 향상에 전이시키는 것을 확인했습니다. 인공 일반 지능(AGI)에 대한 업계의 접근 방식은 광범위한 전문 지식을 강조하지만, 본 연구는 효율적인 도메인 특정 초지능 에이전트의 구성 가능한 상호 작용에서 AGI가 등장하는 미래를 제시합니다.
