PyTorchKR Papers

최신 논문

총 4,696편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.18767v1cs.CL

대규모 언어 모델에서의 암기 완화를 위한 출력 벡터 편집

Output Vector Editing for Memorization Mitigation in Large Language Models

LLM의 학습 데이터 암기를 줄이기 위해, 활성화를 0으로 만드는 대신 암기된 연속을 담당하는 MLP 뉴런의 출력 벡터(output vector)를 최소 수정해 어휘 공간에 방해 요소를 넣고 잔차 스트림 기여를 재지향하는 출력 벡터 편집을 제안한다. OLMo-7B 등 360M~7B 네 모델에서 6831개 암기 시퀀스를 대상으로 최대 87.9% 억제를 달성했고, 권장 단일 모드는 81.5%이며 MLP만으로는 약 14%가 남아 어텐션 헤드 소거가 보완적 대안이 된다.

arXiv:2606.18728v1cs.CL

LegalWorld: 법률 에이전트를 위한 수명 주기 대화형 환경

LegalWorld: A Life-Cycle Interactive Environment for Legal Agents

75,309건의 중국 민사 판결문 쌍을 바탕으로 5단계(7개 하위 시나리오) 인과 상태 체인으로 중국 민사 소송 전 과정을 시뮬레이션하는 LegalWorld 수명 주기 대화형 환경과 LongJud-Bench를 제안하며, 로컬·전역 사건 메모리와 Skill/Tool 라이브러리로 단계 간 분쟁 일관성을 유지한다. 법률 전문가 217명의 18,992건 평가로 절차적 충실성과 역할 일관성이 확인되었고, 교차 모델 평가에서는 상담·작성·법정 변론 전반을 모두 우위하는 단일 백본 모델은 없었다.

arXiv:2606.18668v1cs.MA

EARS: 대규모 다중 에이전트 시스템에서 신뢰할 수 있는 하위 에이전트 모델링을 위한 설명적 거절

EARS: Explanatory Abstention for Reliable Sub-Agent Modeling in Large-scale Multi-Agent Systems

대규모 다중 에이전트 시스템(MAS)에서 소규모 파인튜닝 하위 에이전트가 모호하거나 지원되지 않는 요청에 과도하게 답해 환각을 내는 문제를 해결하기 위해, EARS는 거절(abstention)을 코디네이터가 재라우팅·명확화·폴백(fallback)에 활용할 수 있는 설명적 실패 신호로 재정의하고, 보정된 LLM-as-a-Judge 앙상블로 큐레이션한 데이터로 하위 에이전트를 파인튜닝한다. 실무 전자상거래 BI 어시스턴트 평가에서 전체 응답 통과율이 68.5%에서 78.9%로 향상되어 하위 에이전트 측 설명적 거절이 MAS 신뢰성을 개선함을 보였다.

arXiv:2606.18471v1cs.CL

가능한가 확실한가? 임상 텍스트에서 진단적 불확실성 보존 평가를 위한 벤치마크

Possible or Definite? A Benchmark for Evaluating Diagnostic Uncertainty Preservation in Clinical Text

임상 텍스트에서 LLM이 진단적 불확실성을 올바르게 보존하는지 평가하기 위해 5개 수준·9,184개 주석이 달린 1,200개 임상 문서 벤치마크를 구축하고 3개 LLM을 간접·직접 방식으로 검증했다. 평가 결과 LLM은 원래 불확실성 단서를 절반 미만만 보존하고 인접 수준 간 미묘한 차이를 구별하지 못해, 표준 지표로는 드러나지 않는 확실성 단언 편향 실패 모드를 확인했다.

arXiv:2602.15851v2cs.CL

자동 이야기 생성 및 이해를 위한 서사 이론 기반 대규모 언어 모델(LLM) 방법론: 서베이

Narrative Theory-Driven LLM Methods for Automatic Story Generation and Understanding: A Survey

서사학(narratology)의 구분을 틀로 자연어 처리(NLP)에서 대규모 언어 모델(LLM)을 활용한 자동 이야기 생성·이해 연구를 분류·검토하며, 서사 출처의 다양성, 이론적 종합·검증 가능성, 생성 작업이 이해 작업보다 뒤처진 점을 정리한다. 향후에는 단일 서사 품질 벤치마크보다 이론 기반 속성별 메트릭 정립, 대규모 문학·사회·문화 분석, 맥락 기반 생성, 출력을 통한 서사 이론 검증·정교화에 초점을 둘 것을 제안한다.

arXiv:2602.05992v3cs.CL

DSB: 디퓨전 대규모 언어 모델을 위한 동적 슬라이딩 블록 스케줄링

DSB: Dynamic Sliding Block Scheduling for Diffusion LLMs

디퓨전 대규모 언어 모델(dLLM)의 고정 블록 스케줄은 의미적 난이도를 반영하지 못해 불확실한 위치의 조기 확정과 경계 근처 쉬운 토큰의 지연을 유발한다. 학습 없는 동적 슬라이딩 블록(DSB)과 이에 맞춘 DSB Cache를 제안해 블록 크기와 경계를 동적으로 조절하며, 여러 모델·벤치마크에서 생성 품질과 추론 효율을 일관되게 개선했다.

arXiv:2601.17226v2cs.CL

Retell, Reward, Repeat: 서사 이론에 기반한 이야기 재전달을 위한 강화학습

Retell, Reward, Repeat: Reinforcement Learning for Narrative Theory-Informed Story Retelling

반사실적 이야기 재전달에서는 LLM이 암기된 서사에 의존하기 어려운 제한된 해결 공간에서 논리적·합리적 사건 생성에 취약하며, SFT 같은 정답 기반 사후학습도 이를 가르치지 못한다. 구조주의 서사학과 스칼라 서사성을 결합한 강화학습 파이프라인 Retell, Reward, Repeat(RRR)이 d-RLAIF로 참조 출력 없이 서사성 기반 학습 신호를 도출하고, RRR로 학습한 LLM은 퓨샷·SFT 대비 논리성·합리성·완결성에서 우수했으며 맹목적 인간 선호도 평가로도 검증되었다.

arXiv:2509.18588v2cs.CL

UniECG: 하나의 통합 모델에서 심전도 이해 및 생성

UniECG: Understanding and Generating ECG in One Unified Model

UniECG는 심전도 신호·이미지 입력에 대해 증거 기반 설명을 생성하고, 텍스트 학습 목표로부터 대응하는 심전도 신호 예시를 생성하는 대화형 심전도 교육용 통합 모델로, 2단계 학습(신호-이미지-텍스트 기반 그라운딩 해석과 텍스트 조건부 심전도 디퓨전 모델과의 잠재 표현 정렬)으로 해석과 생성을 하나의 워크플로우에 연결한다. 그라운딩된 해석 평가와 생성 중심 정성 분석을 통해 설명·사례 기반 학습 지원 가능성을 보였으며, 임상적으로 검증된 진단 시스템이 아닌 교육 보조 도구로 설계되었다.

arXiv:2505.20045v3cs.CL

불확실성 인지 어텐션 헤드를 활용한 대규모 언어 모델의 효율적인 환각 탐지

Efficient Hallucination Detection for LLMs Using Uncertainty-Aware Attention Heads

LLM 환각 탐지를 위해 불확실성 인지(uncertainty-aware) 어텐션 헤드가 잘못된 생성 시 선행 토큰 집중도를 낮추는 패턴을 활용하는 비지도 프레임워크 RAUQ를 제안하며, 해당 헤드의 활성화와 토큰 수준 신뢰도를 순환적으로 결합해 단일 순전파로 시퀀스 불확실성을 추정한다. 9개 LLM과 12개 데이터셋 실험에서 기존 불확실성 정량화(UQ) 베이스라인을 지속적으로 능가했고, 추가 연산은 1% 미만이며 레이블 없이 실시간 환각 탐지에 바로 적용할 수 있다.

arXiv:2502.02904v5cs.HC

ScholaWrite: 종단 간 학술적 글쓰기 과정 데이터셋

ScholaWrite: A Dataset of End-to-End Scholarly Writing Process

ScholaWrite는 Overleaf에서 키 입력을 기록하고 인지적 글쓰기 의도를 세분화해 주석한 최초의 종단 간 학술 글쓰기 데이터셋으로, 4개월간 5편의 컴퓨터 과학 예비 인쇄본에서 약 62,000건의 LaTeX 편집을 추적한다. 분석에 따르면 학술 글쓰기는 비선형적이고 다중 의도가 얽혀 있으며, 기존 대규모 언어 모델(LLM)은 다음 의도 예측 등에서 한계를 보였으나 ScholaWrite로 파인튜닝(fine-tuning)한 모델은 인간의 글쓰기 워크플로우와의 정렬(alignment)이 개선된다.

arXiv:2606.19256v1cs.AI

X+Slides: 청중 조건부 슬라이드 생성 벤치마킹

X+Slides: Benchmarking Audience-Conditioned Slide Generation

소스 문서로부터 슬라이드 덱을 자동 생성하는 것은 대규모 언어 모델(LLM)의 중요한 응용이다. 기존 벤치마크는 주로 슬라이드의 완결성과 기술적 깊이를 평가하지만, 중요한 현실 요인인 대상 청중은 간과한다. 예를 들어 전문가는 엄밀한 증명을 요구하는 반면, 의사결정자는 실행 가능한 결론을 우선시한다. 이 격차를 메우기 위해, 우리는 청중 조건부 슬라이드 생성을 위해 특별히 설계된 벤치마크인 X+Slides를 제안한다. 113개 주제와 7가지 발표 장면에 걸친 다양한 코퍼스를 기반으로, X+Slides는 중복 제거된 8,133개의 소스 그라운딩(source-grounded) 프로브로 구성된 동적 평가 프레임워크를 사용한다. 동일한 소스 그라운딩 프로브에 청중별 유틸리티 가중치를 부여함으로써, X+Slides는 네 가지 상보적 지표를 보고한다: Audience Coverage(청중 커버리지)는 청중에게 필수적인 정보가 얼마나 전달되는지를 측정하고, Domain-wise Coverage(도메인별 커버리지)는 어떤 정보 유형이 포함되는지를 보여주며, Efficiency(효율성)는 단위 어텐션(attention) 비용당 전달된 유틸리티를 측정하고, Correctness(정확성)는 슬라이드의 주장이 소스에 의해 뒷받침되는지 검증한다. DeepPresenter, SlideTailor, NotebookLM에 대한 실험 결과, 현재 시스템들은 청중에게 필수적인 정보의 상당하지만 여전히 불완전한 부분을 회복할 수 있음을 보여준다: $τ_A=0.7$에서 DeepPresenter는 최고 Audience Coverage 0.714, SlideTailor는 0.594, NotebookLM ablation은 0.853에 도달하면서 뚜렷한 그라운딩(grounding) 차이를 보인다. 이러한 결과는 시각적 품질과 넓은 주제 커버리지를 소스 그라운딩 평가 없이 증거 지원의 근거로 취급해서는 안 됨을 시사한다.

arXiv:2606.18424v1stat.OT

대규모 언어 모델(LLM) 생성기-규제자 게임을 위한 변분 프레임워크

A Variational Framework for LLM Generator-Regulator Games

자기회귀 토큰 샘플링으로 유도된 완전 메시지 분포를 엔트로피 정규화 기브스 법칙과 연결하고, f-발산 쌍대값을 갖는 최적 판별자로 규제를 모델링해 생성기-규제자 상호작용을 안장점 문제로 공식화하는 변분 프레임워크를 제안한다. 모더레이션·검열·AI 기만 탐지·피싱 방어 등 메시지 분포 수준의 규제에 적용되며, 균형 상태는 효용·엔트로피·규제 정합성·유한 길이 탐지 가능성 간 상충 관계를 드러내고 검열 필터링과 피싱 방어 사례 연구로 이론을 평가한다.

arXiv:2606.18257v1cs.HC

암기에서 창작까지: 대규모 언어 모델(LLM)이 생성한 교육적 질문의 인지적 깊이 평가

From Memorization to Creation: Evaluating the Cognitive Depth of LLM-Generated Educational Questions

블룸의 분류법(Bloom's Taxonomy) 관점에서 6개 LLM이 생성한 교육용 질문 20,700개를 인간-AI 하이브리드 평가로 분석해, 기계적 암기를 넘는 인지적 도약 능력을 측정합니다. 세밀한 프롬프트 전략과 인지 변화 강도(CogShift) 등 정량 메트릭을 제안했으며, InternLM3-8B-Instruct가 다단계 인지 전이에서 두드러지고 인지 인식형 프롬프트 설계가 질문 반복성 감소와 고차원적 사고 유도에 효과적임을 보였습니다.

arXiv:2508.21720v3cs.AI

PosterForest: 과학 포스터 생성을 위한 계층적 멀티 에이전트 협업

PosterForest: Hierarchical Multi-Agent Collaboration for Scientific Poster Generation

과학 포스터 생성 자동화는 계층적 문서 이해와 일관된 콘텐츠-레이아웃 계획을 필요로 합니다. 기존 방법들은 종종 평면적 요약에 의존하거나 콘텐츠와 레이아웃을 분리하여 최적화합니다. 그 결과, 정보 손실, 논리적 흐름의 부족, 시각적 균형의 저하와 같은 문제가 자주 발생합니다. 본 논문에서는 과학 포스터 생성을 위한 학습 불필요한 프레임워크인 PosterForest를 제시합니다. 본 방법은 다중 레벨에 걸쳐 문서 계층 구조와 시각-텍스트 의미를 포착하는 구조화된 중간 표현인 Poster Tree를 도입합니다. 이 표현을 기반으로 콘텐츠 및 레이아웃 에이전트는 계층적 추론과 재귀적 개선을 수행하여, 전체 구성에서 국부적 배치에 이르기까지 포스터를 점진적으로 최적화합니다. 이러한 공동 최적화는 의미적 일관성, 논리적 흐름, 시각적 조화를 향상시킵니다. 실험 결과, PosterForest는 추가 학습이나 도메인 특화 감독 없이도 자동 평가와 인간 평가 모두에서 기존 방법보다 우수한 성능을 보임을 확인했습니다.

arXiv:2409.03500v4cs.CY

AI 생성 및 AI 보조 뉴스에 대한 품질 인식과 참여 의도

Quality Perceptions and Intended Engagement in Response to AI-Generated and AI-Assisted News

뉴스 생산에서 인공지능(AI)의 사용 증가는 청중이 AI 생성 저널리즘을 어떻게 인식하고 반응하는지에 대한 중요한 질문을 제기합니다. 이 사전 등록된 설문 실험(N = 599, 독일어권 스위스)은 (i) 사람이 작성한, AI 보조, 또는 완전히 AI 생성된 뉴스 발췌문에 걸친 기사 품질(신뢰도, 가독성, 전문성으로 측정됨) 인식과, (ii) AI 개입 공개 후의 자가 보고된 참여 의도를 조사합니다. 참가자들은 두 개의 짧은 뉴스 발췌문이 어떻게 생산되었는지 알기 전에 이에 대해 평가했습니다. 모든 조건의 기사는 인지된 품질 측면에서 유사하게 평가되었습니다. 공개 후, AI 보조 및 AI 생성 조건의 참가자들은 대조군에 비해 배정된 기사를 계속 읽을 의지가 더 높다고 보고했으나, 향후 AI 생성 뉴스를 읽을 의지는 조건 간에 차이가 없었습니다. 전반적으로, 연구 결과는 독자들이 AI 생성 및 인간 작성 뉴스의 품질을 유사하게 평가한다는 것을 시사하며, AI 사용의 공개는 장기적인 독서 의도를 아직 변경하지는 못했지만 일시적으로 호기심이나 관심을 증가시킬 수 있음을 보여줍니다.

arXiv:2606.18124v1cs.CL

대규모 언어 모델에서 지리적 조건화의 의도하지 않은 효과

Unintended Effects of Geographic Conditioning in Large Language Models

현대의 대화형 AI 시스템은 응답을 지역화하기 위해 자주 사용자 메타데이터에 의존하지만, 이 숨겨진 맥락으로 인해 야기되는 의도하지 않은 지역적 편향은 여전히 잘 이해되지 않고 있습니다. 본 연구에서 우리는 위치 누출(location leakage)을 평가합니다. 이는 모델이 지리적으로 중립적인 사용자 프롬프트를 받았음에도 불구하고 지리적 언급을 생성하는 현상입니다. 창작 글쓰기와 개방형 질의응답 프롬프트 전반에 걸쳐, 최첨단 대규모 언어 모델(LLM)조차도 위치 메타데이터에 노출될 때 지역 특정 출력을 체계적으로 선호하며, 누출은 기준선보다 최대 793배까지 급증합니다 (예: Llama 3.1-8B의 경우 0.04%에서 31.7%로, Qwen3-8B와 Claude Sonnet 4.6의 경우 각각 21.3%와 8.8%임). 우리의 분석은 또한 새로운 구조적 조건화 효과를 보여줍니다. 주입된 위치를 "Unknown"이라는 플레이스홀더로 대체해도 누출이 기준선보다 최대 72배까지 증가하는데, 이는 지리적 콘텐츠와 무관하게 사용자 프로필 프레임 자체가 생성적 조건화 신호로 작용함을 보여줍니다.

arXiv:2606.17999v1cs.CL

VoidPadding: 마스킹된 디퓨전 언어 모델에서 패딩 처리를 [VOID]에 맡겨 [EOS]가 의미적 종료에 집중하도록 하기

VoidPadding: Let [VOID] Handle Padding in Masked Diffusion Language Models so that [EOS] Can Focus on Semantic Termination

MDLM은 사전 할당된 마스킹된 응답 캔버스를 디노이징하여 텍스트를 생성하므로, 응답 길이 모델링이 지시 미세조정의 핵심이 됩니다. 기존 MDLM은 지시 미세조정 중 패딩을 위해 반복된 \texttt{[EOS]} 토큰을 사용하는 자기회귀 관습을 계승하는 경우가 많아, \texttt{[EOS]}가 의미적 종료자와 패딩 토큰이라는 이중 역할을 하게 됩니다. 우리는 이러한 이중 역할이 대형 블록 디코딩에서 \texttt{[EOS]} 오버플로우의 근본 원인임을 보여줍니다. 이러한 역할을 분리하기 위해, 우리는 패딩에는 \texttt{[VOID]}를 도입하고 종료에는 \texttt{[EOS]}를 예약하는 VoidPadding을 제안합니다. 추론 과정에서 학습된 \texttt{[EOS]} 신호는 조기 종료를 가능하게 하고, 학습된 \texttt{[VOID]} 신호는 적응형 응답 캔버스 확장을 유도합니다. Dream-7B-Instruct에서 VoidPadding은 수학적 추론 및 코드 생성 벤치마크에 걸친 블록 크기 평균 4개 작업 평균을 원본 모델 대비 +17.84점, RainbowPadding 대비 +6.95점 향상시키는 동시에, 평균 디코딩 NFE를 55.7% 감소시켰습니다. 코드는 https://github.com/Haru-LCY/VoidPadding에서 확인할 수 있습니다.

arXiv:2606.17791v1cs.CL

슬롭 역설: 합성 표준화가 AI 재작성 영상의학 보고서에서 임상적 불확실성과 교차 모달 정렬을 어떻게 침식하는가

The Slop Paradox: How Synthetic Standardization Erodes Clinical Uncertainty and Cross-Modal Alignment in AI-Rewritten Radiology Reports

AI 보조 임상 문서화 도구는 대규모 언어 모델(LLM)을 사용해 영상의학 보고서를 점점 더 요약하고, 표준화하고, 재구성하고 있다. 우리는 그로 인한 정보 저하를 통제된 방식으로 측정한다. Indiana University 데이터셋의 흉부 X선 보고서 450건을 사용해, EHR 요약, 표준화 재작성, 교육 케이스 준비라는 세 가지 현실적인 LLM 재작성 작업을 통해 합성 버전을 생성한다. 우리는 개체 침식(의료 NER을 통해), 헷징(hedging) 붕괴(임상적 불확실성 언어의 손실), 교차 모달 정렬 저하(BiomedCLIP 이미지-텍스트 유사도를 통해)를 측정한다. 핵심 발견은 정보 손실과 교차 모달 충실도 사이의 분리이다. EHR 요약은 내용 수준에서 가장 파괴적이며, 임상 개체의 51.4%와 헷징 언어의 43.7%를 침식하지만, 이미지-텍스트 정렬은 거의 완전히 보존한다(2.5% 하락). 더 깔끔한 학습 데이터를 만들기 위한 두 작업인 표준화 재작성과 교육 케이스 준비는 그와 반대이다. 이들은 더 많은 개체를 보존하지만(각각 26.8%, 29.3% 침식), 14.9–16.5%의 정렬 하락을 일으키며, 이는 EHR 요약의 6–7배에 해당한다. 우리는 이를 슬롭 역설이라 부른다. 멀티모달 학습을 위해 임상 텍스트를 더 깔끔하게 보이게 만드는 재작성이 바로 그 텍스트를 이미지로부터 멀어지게 한다는 것이다. 사전 지정한 가설과 달리, 희귀 병리는 우선적으로 저하되지 않았다. 희귀 대 흔한 병리 아홉 가지 비교 전반에서 다중 비교 보정 후에도 차이는 남지 않았고, 명목상 차이는 반대 방향(흔한 > 희귀)으로 나타났으므로, 오염은 조건별 모니터링으로는 드러나지 않는다. 저하의 지배적 결정 요인은 임상 내용이 아니라 AI 재작성 작업의 유형이다. 이러한 발견은 멀티모달 의료 AI 데이터셋 구축과 AI 보조 임상 문서화 거버넌스에 시사점을 준다.

arXiv:2606.17786v1cs.HC

AI 기반 대화형 환자 아바타를 활용한 접근 가능한 심리치료 훈련

Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars

수용과 전념 치료(Acceptance and Commitment Therapy, ACT)와 같은 근거 기반 중재에 대한 심리치료사 훈련은 의미 있는 피드백과 함께 반복 연습이 필요하지만, 안전하고 표준화된 훈련 기회는 윤리적, 물류적, 자원적 제약으로 인해 제한적이다. 본 연구에서는 체현화된 가상 환자와의 음성 대화를 통해 ACT 지향 심리치료 훈련을 지원하도록 설계된 시스템을 제안한다. 이 시스템은 실제 치료 세션에서 도출된 프로필과 구성 가능한 임상 시나리오에 조건화된 환자 행동을 대규모 언어 모델(LLM)로 시뮬레이션하며, 별도의 자동 평가기가 확립된 ACT 충실도(fidelity) 기준에 따라 치료사 응답에 대한 턴별 피드백을 제공한다. 감독을 대체하는 것을 목표로 하기보다, 이 시스템은 저위험 환경에서 실험, 성찰, 즉각적 피드백을 가능하게 함으로써 의도적 연습(deliberate practice)을 지원하도록 설계되었다. 임상 심리학자들에 의한 전문가 평가는 환자 행동의 높은 현실성을 확인했으며, 즉각적인 턴별 ACT 피드백이 치료사의 중재 선택에 대한 인식을 높이고 대안적 응답에 대한 효과적인 실험을 가능하게 함을 보여주었다. 49개의 치료 전사록에 대한 정량 평가 결과, GPT-4o-mini가 최적의 피드백 모델로 확인되었으며, 인간 감독자의 ACT 충실도 평가를 재현하는 데 있어 통계적으로 유의한 일치를 보이면서 최저 평균 절대 오차(MAE = 6.12)를 달성했다. 본 연구는 충실도 인식(fidelity-aware) 시뮬레이션 환자가 심리치료 훈련에 대한 확장 가능한 보완 수단이 될 수 있는 잠재력을 보여준다.

arXiv:2606.17688v1cs.CL

LLM은 문화적 맥락을 추론하지만 응답 시 이를 적용하지 못한다

LLMs Infer Cultural Context but Fail to Apply It When Responding

최근 연구는 LLM이 지배적인 문화, 특히 서구 문화를 과대표현하는 동시에 다른 문화는 소외한다는 것을 보여주었다. 우리는 사용자의 인지된 문화적 배경에 기반한 지역 측정 단위 사용을 평가함으로써, 이러한 현상이 모델이 문화에 적응한 응답을 생성하는 능력에 영향을 미치는지 조사한다. 우리는 다양한 수준의 문화적 단서를 포함한 대화 데이터셋인 Cultural and Pragmatic Response Inference(CAPRI)를 제안한다. 최신 LLM에 대한 실험 결과, 모델은 문화적 배경을 추론하고 관련 관습을 회상할 수 있지만, 명시적으로 작업을 순차적으로 수행하도록 프롬프트하지 않는 한 해당 정보를 활용해 응답을 관련 문화적 관습에 맞게 조정하는 데는 종종 실패한다는 것을 보여준다. 또한 문화의 영향을 받는 두 가지 주관적 언어 그라운딩 차원인 시간 표현과 수량 표현의 해석에 대한 적응을 평가한다. 문화적 단서가 누적될수록 모델이 응답을 점점 더 조정하지만, 사전분포(prior)는 문화 중립적이지 않으며 때로는 모델의 개발 국가와 일치한다는 것을 발견한다. 전반적으로 CAPRI는 문화적 지식과 문화적으로 적응적인 언어 생성 사이의 격차를 좁히는 것을 목표로 하는 향후 연구를 위한 리소스를 제공한다.