WikiCLIP은 Wikipedia 기반 오픈 도메인 시각적 엔티티 인식(VER)에서 생성 모델의 높은 계산 비용 문제를 해결하기 위해, LLM 임베딩을 엔티티 표현으로 활용하고 패치 수준의 시각 정보로 이를 정렬하는 Vision-Guided Knowledge Adaptor(VGKA)와 Hard Negative Synthesis 메커니즘을 결합한 대조 학습(contrastive learning) 프레임워크다. OVEN 벤치마크의 unseen 세트에서 기존 최고 성능 대비 16% 향상된 28.5% 정확도를 달성하면서, 생성 모델 AutoVER 대비 추론 지연 시간을 약 100배 단축하는 데 성공했다.
GPT-4.1로부터 재귀적 지식 추출 방법론을 적용해 1억 개 트리플 규모의 대규모 지식 베이스(knowledge base)인 GPTKB v1.5를 구축하고, 이를 통해 대규모 언어 모델(LLM)의 사실적 지식을 링크 탐색, SPARQL 질의, 모델 간 비교 분석 방식으로 체계적으로 탐구할 수 있는 데모 시스템을 제시한다. 샘플 기반 평가의 가용성 편향(availability bias)을 극복하고 LLM 지식의 강점과 한계를 대규모로 분석할 수 있는 기반을 마련했으며, 트리플 정밀도 75.5%를 달성했다.
단일 쿼리로 기업 사용자의 세션 전체 정보 요구를 충족하기 어려운 RAG 시스템의 한계를 해결하기 위해, 문서 공동 출현(co-occurrence) 패턴을 학습한 Word2Vec 기반 클러스터링으로 지식 베이스를 오프라인에서 재구성하고 검색 시 클러스터 이웃을 확장하는 방법을 제안한다. WixQA 벤치마크에서 단일 쿼리 세션 커버리지를 41%에서 58%로 향상시키고, 지식 베이스 크기를 20%로 압축하면서도 70% 커버리지 달성에 필요한 검색 호출 횟수를 34% 줄이는 성과를 보였다.