2nd/10_Wiki/Topics/Encoder-Decoder-Inconsistency.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
PREI-AUTO-ENC-DEC-INC-001	Unified	0.95	auto-reinforced Encoder-Decoder-Inconsistency|Encoder-Decoder-Inconsistency RAG|RAG alignment semantic-gap inference-quality	2026-05-05

Encoder-Decoder-Inconsistency

📌 한 줄 통찰 (The Karpathy Summary)

"찾아온 사람(인코더)과 대답하는 사람(디코더)이 서로 다른 언어와 가치관을 가졌을 때 발생하는 인지적 불협화음: RAG 성능 저하의 숨은 주범."

📖 구조화된 지식 (Synthesized Content)

인코더-디코더 불일치는 텍스트를 벡터로 변환하여 검색하는 모델(인코더)과 텍스트를 생성하는 모델(디코더)이 동일한 정보를 서로 다르게 해석할 때 발생합니다.

1. 발생 원인:
   • 두 모델이 서로 다른 데이터셋으로 훈련되었거나, 학습 목표(검색 vs 생성)가 상이하여 텍스트의 중요도를 판단하는 기준이 다르기 때문.
   • 특히 검색 기반의 RAG 아키텍처에서 두 독립적인 모델을 결합할 때 흔히 발생.
2. 부작용:
   • 인코더가 '중요하다'고 판단하여 가져온 문서가 디코더의 입장에서는 '무의미'하거나 '방해'되는 정보일 수 있으며, 이로 인해 답변의 정확도가 하락함.
3. 해결 전략 (Alignment):
   • E2LLM 방식: 어댑터를 통해 인코더의 출력을 디코더의 입력 공간과 물리적으로 정렬.
   • 상호 훈련: 인코더와 디코더를 공동 학습시켜 동일한 의미론적 해상도를 갖도록 조율.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 독립성의 트레이드오프 (RL Update): 모델을 분리해서 쓰면 구축이 빠르고 유연하지만(Plug-and-play), 불일치로 인한 오류 전파를 피하기 어려움. 따라서 고성능 시스템일수록 두 모델 사이의 '의미적 밀착도'를 높이는 정렬 과정이 필수적임.
• Antigravity 정책: 검색 엔진 Astra는 검색 성능만을 보지 않고, 가져온 결과가 에이전트의 생성 품질에 기여하는지를 실시간으로 점수화하는 '하용론적 피드백'을 통해 이 불일치 문제를 해결함.

🔗 지식 연결 (Graph)

• RAG, E2LLM, Context-Integration, AI-Alignment
• Raw Source: Datacollector_MAC/out_wiki/인코더-디코더 불일치 (Encoder-Decoder Inconsistency).md

---