금융 기관에서 대규모 언어 모델(LLM)을 조정, 규제 보고, 고객 커뮤니케이션에 활용하지만, 비결정적 출력(출력 드리프트)은 감사 가능성과 신뢰를 저해한다. 본 연구에서는 규제 대상 금융 작업에 대한 5가지 모델 아키텍처(7B-120B 파라미터)에서 드리프트를 정량화했다. 그 결과, 작은 모델(Granite-3-8B, Qwen2.5-7B)이 T=0.0에서 100% 출력 일관성을 달성하는 반면, GPT-OSS-120B는 구성에 관계없이 단 12.5%의 일관성만 보였다. 본 연구는 탐욕적 디코딩(T=0.0), 고정 시드, SEC 10-K 구조 인지 검색 순서를 결합한 금융 보정 결정적 테스트 하네스, 금융 보정 유의성 임계값(플러스 또는 마이너스 5%) 및 SEC 인용 유효성을 사용한 RAG, JSON, SQL 출력에 대한 작업별 불변 확인, 위험에 적합한 배포 결정을 가능하게 하는 3단계 모델 분류 시스템, 이중 공급자 검증을 통한 감사 준비 완료 증명 시스템을 제시했다. 5개의 모델을 3가지 규제 대상 금융 작업에서 평가했다. 구조화된 작업(SQL)은 T=0.2에서도 안정적으로 유지되는 반면, RAG 작업은 드리프트(25-75%)를 보였다. 교차 공급자 검증은 결정적 동작이 로컬 및 클라우드 배포 간에 전송됨을 확인했다. Financial Stability Board(FSB), Bank for International Settlements(BIS), Commodity Futures Trading Commission(CFTC) 요구 사항에 맞춰, 규정 준수 AI 배포를 위한 실용적인 경로를 보여준다.
