Cura 1T: 의료 에이전트를 위한 특화 모델

서론

의료 분야에서 LLM이 유용하려면 의학 지식만 많아서는 부족하다. 환자와의 대화, 임상적 판단, 텍스트와 이미지를 함께 보는 이해, 그리고 전자 건강기록(EHR) 같은 도구 활용까지 이어져야 한다. Cura 1T는 이러한 요구를 분리된 과제가 아니라 서로 연결된 하나의 능력 집합으로 보고, 의료 워크플로 전반에 쓸 수 있는 모델을 지향한다.

핵심 포인트

• 의료 과제는 서로 영향을 준다: 한 능력을 강화하면 다른 능력이 약해질 수 있다.
• 인간이 개입하는 자기 진화 루프: 각 반복에서 훈련 에이전트가 목표 역량을 정하고, 모델을 학습시키고, 벤치마크 흐름을 평가한 뒤 실패 사례에 맞춰 데이터 비중을 조정한다.
• 일괄 업데이트보다 정밀한 보강: 일반적인 의료 데이터 추가가 아니라, 합성 예제와 선별된 예제를 활용해 취약점을 공략한다.
• 범용성도 유지: 의료 평가뿐 아니라 도메인 밖 추론과 에이전트 벤치마크에서도 경쟁력을 유지한다고 설명한다.

의미와 영향

이 작업의 핵심 메시지는 의료 AI에서 중요한 것은 단순한 지식량이 아니라 능력 간 균형이라는 점이다. 어떤 상황에서는 답을 잘하지만 다른 작업에서는 불안정하다면 실제 의료 현장에 적용하기 어렵다. Cura 1T의 접근은 약한 능력을 먼저 찾아내고, 그에 맞게 데이터와 학습 방향을 조정하며, 다시 전체 성능이 유지되는지 확인하는 방식이다.

이는 병원, 진료 보조 시스템, 헬스케어 플랫폼처럼 복합적인 운영 환경에 특히 중요하다. 앞으로의 의료 모델은 단순 생성형 챗봇보다, 판단과 실행을 함께 수행하는 의료 에이전트에 가까워질 가능성이 크며, 이 논문은 그 방향을 뒷받침하는 사례로 볼 수 있다.

Hugging Face Daily Papers