팀네이버, EMNLP 2026서 논문 24편 채택…AI 연구 성과 확대

팀네이버가 15일 EMNLP 2026 채택 논문 24편을 공개했다. EMNLP(Empirical Methods in Natural Language Processing)는 자연어처리 분야 주요 국제학회로, ACL, NAACL와 함께 언급되는 학회다. 올해 EMNLP는 24일~29일 헝가리 부다페스트에서 열린다.

이번에 소개된 대상은 네이버·네이버클라우드·네이버랩스 유럽 등 팀네이버 기술 조직의 연구 성과다. 채택 논문 분야는 한국어 AI, 멀티모달 AI, 대규모언어모델(LLM) 추론 분석, AI 에이전트 등 자연어처리의 여러 세부 주제를 포괄한다.

이들 연구에는 AI 모델·서비스 개발 과정에서 확인한 문제를 연구 주제로 확장한 사례도 포함됐다. 팀네이버는 실제 개발 과정에서 드러난 문제를 연구 과제로 넓혀 논문으로 발전시킨 성과를 함께 제시했다.

네이버클라우드는 한국어 추론 데이터와 멀티모달 AI 평가를 중심으로 연구를 진행했다. 네이버클라우드는 전문 분야 영어 데이터를 활용한 한국어 추론 학습 데이터 합성 방법을 제안했고, 비전·언어모델 결합 과정의 기존 언어 능력 저하 원인을 분석했다. 아울러 언어 능력 저하를 사전에 확인하기 위한 진단 지표도 개발했다.

채택된 연구들은 긴 영상과 옴니모달 AI 평가 기준부터 LLM 내부 추론 해석, 학습 효율 개선, 에이전트 일반화까지 다뤘다. 벤치마크 연구가 채택됐으며, 평가 대상으로는 긴 영상·옴니모달 모델 성능이 제시됐다. 이 연구는 수 시간 분량 영상에서 자연어 질의 대응 구간을 탐색하는 과정을 분석했고, 옴니모달 AI의 상황 적합 음성 톤·속도 응답 평가 기준을 제시했다.

네이버는 LLM 내부 추론 과정·학습 효율 분석 연구를 진행했다. 네이버 AI 랩은 문제 이해·계획 수립·계산 등 상이한 추론 과정의 LLM 내부 분화 현상을 분석했고, 모델의 답 도출 과정 해석 연구를 확장했다.

네이버와 산하 조직들은 모델 크기 확장보다 추론 구조를 이해하고 학습·활용 방식을 개선하는 방향의 연구를 발표했다. 이와 관련해 포스트 트레이닝 효율화 연구를 발표했고, 전문가 혼합(MoE) 모델의 기존 능력 유지 방법 연구도 발표했다. 연구의 초점은 모델 규모 확대보다 추론 과정 이해·학습 효율 개선에 맞춰졌다.

네이버랩스 유럽은 검색 증강형 LLM 에이전트·모델 정렬 기술을 연구했다. 또한 AI 에이전트의 과거 작업 경험을 검색해 새 과제 해결에 활용하는 방법을 연구했으며, 처음 접하는 작업의 일반화 성능 향상을 목표로 했다.

연구 범위에는 LLM 생성 문장의 TTS 적합화 연구가 포함됐다. 후처리 없이 음성 변환 시 자연스러운 텍스트 생성 방향의 LLM 정렬도 함께 다뤄졌다.

팀네이버는 올해 7월 'ICML 2026' 논문 6편 채택과 지난 9월 'ECCV 2026' 논문 23편 채택에 이어 EMNLP에서도 연구 성과를 지속했다. 회사는 이번 연구 결과를 차세대 AI 모델·서비스 개발에 반영할 계획이다.

출처: 테크월드뉴스 · 김승기 기자
원문: https://www.epnc.co.kr/news/articleView.html?idxno=408254

참고자료

• https://www.epnc.co.kr/news/articleView.html?idxno=408254