본 논문은 대규모 언어 모델의 지시어 미세 조정 효율성을 높이기 위한 새로운 필터링 프레임워크인 Low-Confidence Gold (LCG)를 제안합니다. LCG는 중심 기반 클러스터링과 신뢰도 기반 선택을 활용하여 가치 있는 지시어 쌍을 식별합니다. 경량 분류기를 사용한 준지도 학습 방식을 통해 고품질의 하위 집합을 생성하면서 데이터 다양성을 유지합니다. 실험 결과, LCG로 필터링된 6K 개의 샘플로 미세 조정된 모델은 기존 방법보다 우수한 성능을 보이며, MT-bench에서 상당한 성능 향상과 종합적인 평가 지표 전반에 걸쳐 일관된 성능 향상을 보였습니다. 모델 성능을 유지하면서 효율성을 높이는 프레임워크의 효과는 효율적인 지시어 미세 조정을 위한 유망한 방향을 제시합니다.
