Kanon 2 Enricher: 지식 그래프를 직접 생성하는 새로운 계층적 그래프화 모델 출시

주요 논점

01찬성다수

생성형 모델의 토큰 출력 방식이 환각의 근본 원인이므로 지식 그래프를 직접 출력하는 구조적 변화가 필요합니다.

합의점 vs 논쟁점

합의점

기존 LLM은 긴 문맥에서 성능 저하를 겪는다
엔티티 추출 시 환각 제거는 실무에서 매우 중요하다

논쟁점

로컬 환경에서 최첨단 LLM을 능가한다는 성능 수치의 실제 검증 가능성
토큰 생성 없이 그래프만으로 모든 문서 분석 요구사항을 충족할 수 있는지 여부

실용적 조언

구조화되지 않은 대규모 문서 집합에서 지식 그래프를 구축할 때 이 모델을 검토하십시오
데이터 보안이 중요한 환경에서 클라우드 LLM 대신 로컬 모델로 엔티티 추출을 수행하십시오

섹션별 상세

Kanon 2 Enricher는 기존의 생성형 모델과 달리 토큰이 아닌 지식 그래프를 직접 출력하는 계층적 그래프화(Hierarchical Graphitization) 방식을 채택했습니다. 이 아키텍처는 제공된 텍스트 외부의 내용을 생성하는 것이 근본적으로 불가능하게 설계되어 일반적인 거대언어모델(LLM)이 겪는 환각(Hallucination) 문제를 원천적으로 해결합니다. 텍스트 오분류 가능성은 여전히 존재하지만 존재하지 않는 정보를 만들어내지 않는다는 점이 핵심적인 차별점입니다.

이 모델은 문서의 단순한 엔티티 추출을 넘어 문서 전체의 계층적 구조를 완벽하게 해체하고 재구성하는 능력을 갖추고 있습니다. 문서 내의 장, 절, 조항 등 복잡한 구조를 파악하는 계층적 분할 기능과 함께 엔티티 간의 관계를 식별하고 연결하는 기능을 제공합니다. 예를 들어 기업과 그 자회사, 임원, 연락처 등을 유기적으로 연결하여 실세계의 엔티티 관계를 명확히 정의할 수 있습니다.

성능과 효율성 측면에서 Kanon 2 Enricher는 소비자용 PC에서도 로컬로 실행 가능할 만큼 가볍게 설계되었으며 1초 미만의 지연 시간을 자랑합니다. 작성자는 이 모델이 긴 문맥에서 성능 저하를 겪는 Gemini 3.1 Pro나 GPT-5.2와 같은 최첨단 모델들보다 더 뛰어난 성능을 보여준다고 주장합니다. 이는 그래프 우선 아키텍처를 통해 계산 효율성을 극대화했기 때문에 가능한 결과라고 설명합니다.