연구진은 대규모 언어 모델(LLM)이 새로운 지식을 암기하지만 추론 작업에 활용하지 못하는 현상을 '암기-사용 간극(Knowing--Using Gap)'으로 정의했어요. 이 간극은 정확도 차이와 암기와 일반화 사이의 시간 지연으로 나타나요.
자기 패치(self-patching)라는 새로운 기법을 활용해 LLM 내부의 지식 확산 과정을 분석한 결과, 암기된 표현이 계산에 효과적인 레이어로 연결되지 않아 지식 회로 정렬이 틀어지는 것이 원인이라고 밝혔어요.
연구진은 이 진단을 바탕으로 간단한 휴리스틱 전략을 설계해 일반화 실패의 58~75%를 회복했으며, 다양한 분야에서 동일한 결과를 얻어 이 현상의 보편성을 입증했어요.