# 초안의 정보 통로를 넓힌 DFlare

DFlare의 층별 특징 융합·KV 투영 분리·위치별 손실 학습을 실험 조건과 한계에 맞춰 분석합니다.

Source: https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting

HOME / NEWS & INSIGHTS NEWS & INSIGHTS 초안의 정보 통로를 넓힌 DFlare DFlare의 층별 특징 융합·KV 투영 분리·위치별 손실 학습을 실험 조건과 한계에 맞춰 분석합니다. 인공지능 2026.10.22 게시 IPLEX 13분 읽기 작성자: 김용덕 변리사 안녕하세요. 아이피렉스 특허법률사무소, 김용덕 변리사입니다. 인공지능이 긴 답변을 만들 때, 다음 단어를 하나씩 계산하는 시간이 쌓입니다. 작은 모델이 여러 단어의 초안을 먼저 만들고 큰 모델이 한꺼번에 검토하면 이 시간을 줄일 수 있습니다. 그런데 초안 모델을 더 깊게 만들기만 하면 언제나 빨라질까요? 오늘 살펴볼 DFlare는 초안 모델의 각 층에 전달되는 정보부터 바꾸어야 한다고 설명합니다. 이 논문의 핵심은 큰 언어모델의 중간 정보를 하나로 섞어 모든 초안 층에 똑같이 주는 대신, 각 층이 자신에게 필요한 조합을 학습하도록 하는 것입니다. 여기에 정보 출처별 변환과 학습 순서의 조정을 결합해, 검증 한 번에 받아들여지는 초안 길이와 실제 생성 속도를 높였습니다. 1. 논문 기본 정보 논문명: DFlare: Scaling Up Draft Capacity for Block Diffusion Speculative Decoding 연구진: Jiebin Zhang, Zhenghan Yu, Song Liu, Eugene J. Yu, Zheng Li, Dawei Zhu, Jiangshan Duo, Weimin Xiong, Yifan Song, Guanghua Yu, Jianchen Zhu, Sujian Li. 소속은 베이징대학교 컴퓨터과학부와 Tencent입니다. 식별자: arXiv:2606.02091, DOI: 10.48550/arXiv.2606.02091. 최초 제출일은 2026년 6월 1일이며, 이 글은 6월 2일의 v2를 기준으로 분석합니다. 확인한 arXiv 기록과 PDF에 학회·저널 게재 정보가 없어 프리프린트로 다룹니다. 논문 및 도표 이용 조건: CC BY 4.0 — Zhang 외, DFlare, 2026 2. 기술적 과제는 초안 모델의 정보 병목입니다 일반적인 자기회귀 언어모델은 앞에서 확정한 토큰을 바탕으로 다음 토큰을 생성합니다. 여기서 토큰은 모델이 읽고 쓰는 텍스트 단위입니다. 긴 답변에서는 큰 모델을 반복 실행해야 하므로, 한 단계가 짧아도 전체 지연시간이 길어질 수 있습니다. 추측 디코딩은 작은 초안 모델과 큰 목표 모델을 함께 사용합니다. 초안 모델이 여러 후보 토큰을 제안하고, 목표 모델이 이를 병렬로 검증합니다. 유효한 앞부분을 길게 받아들일수록 큰 모델의 실행 횟수를 줄일 수 있습니다. 최종 출력의 기준은 목표 모델이며, 초안 자체의 문장을 무조건 채택하는 방식은 아닙니다. 선행 방법 DFlash는 블록 안의 후보를 한 번에 만드는 확산 초안 모델에 목표 모델의 중간 은닉 상태를 제공합니다. 다만 여러 목표 층의 정보를 하나의 공통 표현으로 합친 뒤 모든 초안 층이 공유합니다. 연구진은 이 구조가 층별 역할 분화를 어렵게 하고, 초안 모델의 깊이를 늘려도 추가 계산에 걸맞은 이득을 얻기 어렵게 만든다고 보았습니다. 3. 먼저 알아둘 개념: 초안 길이와 속도는 다릅니다 블록 확산 초안은 이미 알려진 시작 토큰과 아직 비어 있는 여러 위치를 함께 입력받습니다. 빈 위치를 나타내는 마스크 토큰들을 병렬로 예측하며, 블록 내부에서는 양방향 어텐션으로 서로의 정보를 참조합니다. 이 논문의 초안 생성은 블록마다 한 번의 순전파를 사용하는 구조입니다. 평균 수락 길이 τ는 검증 단계에서 얼마나 많은 토큰을 받아들이는지 보여주는 지표입니다. 하지만 수락 길이가 늘어도 초안 계산과 정보 전달 비용이 더 커지면 실제 속도는 나빠질 수 있습니다. 따라서 이 논문은 τ와 함께, 일반 자기회귀 생성 대비 실제 경과시간 기준 가속 배수를 측정합니다. 비유하면 검토자에게 한 문장씩 보내던 초안을 여러 문장씩 보내는 방식입니다. 초안의 정확도가 좋아도 작성자가 지나치게 오래 걸리면 전체 작업은 빨라지지 않습니다. 초안의 품질과 작성 비용을 함께 조절해야 합니다. 4. 해결수단: 층별 정보 조합과 출처별 변환 DFlare v2 그림 2: 층별 특징 융합과 KV 투영 분리 그림 1. 목표 모델의 여러 층에서 얻은 정보를 초안 층별로 다르게 조합하는 구조입니다. 원문 Figure 2, Zhang 외, DFlare v2. 각 초안 층이 별도의 혼합 비율을 학습합니다 DFlare는 선택한 목표 층들의 은닉 상태에 가중치를 부여하고 더합니다. 이 가중치는 초안 층마다 따로 학습하며, softmax로 정규화한 뒤 가중합에 RMSNorm을 적용합니다. 모든 층이 같은 요약본을 받는 구조에서, 각 층이 서로 다른 정보 배합을 받는 구조로 바뀌는 것입니다. 예를 들어 초안 층이 7개이고 참조하는 목표 층이 9개라면 혼합 가중치 행렬에는 63개의 스칼라가 들어갑니다. 이는 혼합 계수의 수이며, 초안 모델 전체의 추가 파라미터가 63개뿐이라는 뜻은 아닙니다. 학습을 마친 혼합 비율은 미리 계산해 둘 수 있지만, 입력 문맥의 은닉 상태를 가중합하는 연산은 추론 시에도 필요합니다. 목표 문맥과 초안 토큰에 서로 다른 KV 변환을 씁니다 큰 모델에서 가져온 문맥 정보와 초안 모델 내부의 예측 정보는 성격이 다릅니다. DFlare는 두 출처를 같은 Key·Value 투영 행렬로 처리하지 않고, 목표 문맥 전용 행렬과 초안 블록 전용 행렬로 나눕니다. 각 출처를 알맞은 표현으로 바꾼 뒤 어텐션 계산에 함께 사용합니다. 따라서 차별점은 정보를 더 많이 가져오는 데만 있지 않습니다. 어떤 초안 층에 어떤 비율로 전달할지, 전달된 목표 정보와 초안 정보를 어떤 변환으로 결합할지를 함께 바꾼 점이 핵심입니다. 그림의 가운데 층별 혼합 부분과 오른쪽의 두 KV 투영 경로를 연결해서 보면 이해하기 쉽습니다. 5. 실제 처리 순서와 학습 방법 첫째, 목표 모델이 현재까지의 문맥을 처리하고 선택한 층들의 은닉 상태와 다음 생성의 시작 토큰을 준비합니다. 둘째, 각 초안 층은 자신이 학습한 혼합 비율로 목표 문맥을 조합합니다. 셋째, 시작 토큰과 마스크 위치를 함께 처리해 블록의 후보 토큰을 병렬로 만듭니다. 넷째, 목표 모델이 후보 블록을 검증합니다. 탐욕적 디코딩에서는 목표 모델의 예측과 맞는 가장 긴 앞부분을 받아들이고 그다음 토큰을 생성합니다. 다섯째, 확정된 문맥과 캐시를 갱신해 같은 과정을 반복합니다. 확률적 샘플링을 사용할 때에는 해당 검증·수락 절차를 포함한 조건으로 해석해야 하며, 단순히 후보가 비슷해 보인다는 이유로 채택하는 방식으로 이해하면 안 됩니다. 앞쪽을 먼저 안정시키고 뒤쪽 위치의 학습 비중을 높입니다 초안 블록의 앞부분에서 틀리면 뒤쪽 후보가 맞더라도 함께 버려질 수 있습니다. 그래서 초기에는 앞쪽 위치의 손실에 더 큰 가중치를 주고, 학습이 진행되면 뒤쪽 위치의 비중을 높입니다. 논문은 위치별 지수 감쇠 가중치의 γ를 점차 키워 이 변화를 구현합니다. 본문은 γ의 선형 증가식을 제시하고, 부록 구현은 초기값 4.5에서 에포크마다 1씩 증가시킨다고 설명합니다. GPT-OSS-20B에서는 블록 크기가 8로 짧아 γ를 4로 고정했습니다. 따라서 모든 모델에서 같은 가중치 일정이 적용됐다고 볼 수는 없습니다. 학습할 때에는 응답 안에서 여러 기준 위치를 뽑아 블록들을 구성하고, 같은 블록 내부와 해당 문맥만 보도록 어텐션을 제한합니다. 토큰 임베딩과 언어모델 출력 헤드는 목표 모델과 공유하고 고정하며, 초안 쪽의 학습 가능한 구성들을 최적화합니다. 6. 실험은 어떤 조건에서 이루어졌을까요 목표 모델은 Qwen3-4B, Qwen3-8B, GPT-OSS-20B입니다. 수학은 GSM8K·MATH500·AIME25, 코드는 HumanEval·MBPP, 대화는 MT-Bench로 평가했습니다. 기본 비교는 EAGLE-3와 DFlash이며, 추론 평가는 목표 모델별 단일 NVIDIA H20 GPU에서 수행했습니다. Qwen3용 설정은 초안 7층, 블록 크기 16, 목표 정보 9개 층입니다. GPT-OSS용 설정은 각각 8층, 블록 크기 8, 목표 정보 7개 층으로 다릅니다. 전체 학습 데이터는 Nemotron Post-Training Dataset V2, CodeAlpaca, Step-3.5-Flash-SFT에서 모은 약 240만 샘플입니다. 연구진은 원래 프롬프트를 유지하고 목표 모델로 응답을 다시 생성해 학습 분포를 맞췄습니다. 기본 학습은 6에포크, 최대 길이 3,072토큰이며, 시험 데이터와 32-gram 이상 겹치는 학습 샘플은 제거했다고 보고합니다. 주 결과는 더 큰 학습 데이터와 구조 개선이 결합된 결과이므로, 전부를 층별 혼합 하나의 효과로 돌릴 수는 없습니다. DFlare v2 그림 1: 과제별 가속과 학습 데이터 규모 그림 2. 왼쪽은 Qwen3-8B의 과제별 가속 배수, 오른쪽은 학습 데이터 규모에 따른 가속 배수와 수락 길이입니다. 원문 Figure 1, Zhang 외, DFlare v2. 오른쪽 그림에서 Qwen3-8B의 학습 샘플이 27만, 80만, 240만으로 늘 때 평균 가속 배수는 3.74배, 4.97배, 5.46배로 높아집니다. 수락 길이는 4.90, 6.59, 7.33입니다. 더 많은 데이터가 확대된 초안 모델의 성능에 기여했다는 관찰이지, 학습 비용 없이 얻은 개선은 아닙니다. 7. 주요 결과: 평균 개선과 개별 예외를 나누어 읽기 DFlare v2 표 1: 온도 0과 1의 가속 배수 및 수락 길이 표 1. 여섯 평가 과제의 실제 시간 가속 배수와 수락 길이입니다. 위는 온도 0, 아래는 온도 1입니다. 원문 Table 1, Zhang 외, DFlare v2. 탐욕적 디코딩인 온도 0에서 Qwen3-4B의 평균 가속 배수는 DFlash 4.99배에서 DFlare 5.52배, Qwen3-8B는 5.05배에서 5.46배, GPT-OSS-20B는 3.71배에서 3.91배로 높아졌습니다. DFlash 대비 상대 개선은 각각 약 10.6%, 8.1%, 5.4%입니다. 5.52배라는 수치는 DFlash 대비가 아니라 일반 자기회귀 생성 대비입니다. 같은 조건의 평균 수락 길이는 Qwen3-4B에서 6.47→7.47, Qwen3-8B에서 6.39→7.33, GPT-OSS-20B에서 4.66→4.93으로 증가했습니다. 더 긴 후보 구간을 채택하면서도 초안 처리 비용을 감당할 수 있었는지를 실제 시간 결과와 함께 확인할 수 있습니다. 온도 1에서도 평균 가속 배수는 세 모델 모두 개선됐습니다. 다만 개별 과제가 모두 좋아진 것은 아닙니다. Qwen3-4B의 AIME25는 4.02배에서 3.84배, Qwen3-8B의 HumanEval은 4.52배에서 4.41배로 낮아졌습니다. 본문의 포괄적인 표현보다 표의 세부 수치를 기준으로, 평균적인 개선과 조건별 편차를 함께 읽는 것이 정확합니다. 8. 어떤 구성에서 효과가 나왔을까요 DFlare v2 구성 실험: 목표 층과 초안 층의 수에 따른 결과 그림 3. 초안 층 수와 참조하는 목표 층 수를 바꾸었을 때의 결과입니다. 양쪽 세로축의 수락 길이와 가속 배수를 구분해 보아야 합니다. 원문 Figure 3, Zhang 외, DFlare v2. 동일한 DFlash 학습 데이터로 초안 깊이를 비교한 실험에서, DFlare는 5→6→7층으로 늘 때 평균 가속 배수가 5.12→5.13→5.16배, 수락 길이는 6.55→6.72→6.90으로 높아졌습니다. DFlash의 가속 배수는 4.98→5.07→5.01배였습니다. 깊이를 늘리는 것 자체보다 추가 층이 실제로 다른 정보를 활용하도록 만드는 구성이 중요하다는 해석을 뒷받침합니다. 다만 이 결과는 시험한 5~7층 범위의 관찰입니다. 더 깊은 초안 모델에서도 같은 추세가 끝없이 이어진다는 증거는 아닙니다. 목표 은닉 상태의 참조 층 수를 5·7·9개로 바꾼 실험 역시 정해진 모델과 데이터 조건 안에서 해석해야 합니다. DFlare v2 표 2: 정규화·KV 분리·위치별 손실 비교 표 2. 정규화, KV 투영 분리, 위치별 손실 일정 등을 바꾼 구성 비교입니다. 원문 Table 2, Zhang 외, DFlare v2. 표 2에서 전체 구성의 평균 가속 배수와 수락 길이는 3.37배와 4.52입니다. softmax를 빼면 3.31배와 4.47, KV 투영 분리를 빼면 3.35배와 4.48, 손실 일정 조정을 빼면 3.34배와 4.47입니다. 혼합 뒤에 완전연결층을 더한 경우에도 평균 수락 길이는 4.51로, 추가 변환이 자동으로 개선을 보장하지 않았습니다. 이 표의 평균은 GSM8K·HumanEval·MT-Bench 세 과제를 대상으로 한 별도 구성 실험입니다. 앞의 여섯 과제 주 결과와 수치를 직접 섞으면 안 됩니다. 차이가 작고 반복 실험의 분산까지 제시된 표는 아니므로, 효과의 방향을 보여주는 근거와 효과 크기의 확정성을 구분할 필요가 있습니다. 9. 실제 서비스의 효과와 계산 비용 DFlare v2 표 3: SGLang 동시 요청 수별 처리량 표 3. H20 GPU와 SGLang에서 Qwen3-8B를 실행한 처리량 비교입니다. 단위는 초당 토큰이며 열은 동시 요청 수입니다. 원문 Table 3, Zhang 외, DFlare v2. 동시 요청 수 32에서 GSM8K 처리량은 일반 생성 1,053.7토큰/초, DFlash 1,068.6토큰/초, DFlare 1,809.3토큰/초였습니다. HumanEval에서는 각각 1,212.0, 1,149.9, 1,796.9토큰/초였습니다. 이는 특정 하드웨어와 실행 엔진에서의 처리량 결과이며, 앞의 단일 생성 가속 배수와 같은 지표는 아닙니다. 동시 요청이 1인 HumanEval에서는 DFlare가 554.5토큰/초로 DFlash의 561.1토큰/초보다 낮았습니다. 따라서 모든 부하에서 가장 빠르다고 일반화할 수 없습니다. 실제 적용에서는 요청 수, 입력·출력 길이, 모델, GPU, 실행 엔진을 맞춰 검증해야 합니다. 학습 비용도 작지 않습니다. 부록은 240만 샘플 학습에 GPU 32개를 사용했고, Qwen3-8B용 초안 학습에 장치당 약 160시간, 즉 32개를 함께 사용해 약 160시간이 걸렸다고 설명합니다. 이를 전체 160 GPU시간으로 읽으면 안 됩니다. 단순 환산한 총량은 약 5,120 GPU시간입니다. 연구진은 반복 추론에서 절약되는 시간으로 일회성 학습 비용을 상쇄할 수 있다고 설명하지만, 손익이 바뀌는 요청 수를 일률적으로 제시하지는 않습니다. 또한 더 큰 데이터 규모의 효과는 자원 제약으로 충분히 시험하지 못했습니다. 폐쇄형 API처럼 내부 은닉 상태에 접근할 수 없는 환경에 그대로 붙일 수 있는 기술로 보기도 어렵습니다. 마지막 판단은 제시된 구조에서 도출한 적용상의 해석입니다. 10. 변리사 관점에서 보는 기술적 과제와 효과 과제와 해결수단의 대응 기술적 과제는 병렬 초안의 정확도를 높이면서, 추가 계산이 실제 추론 지연을 상쇄하지 않도록 하는 것입니다. 정보가 하나의 공통 표현으로 좁아지는 문제에는 초안 층별 가중 혼합이 대응합니다. 목표 문맥과 초안 표현의 성격 차이에는 KV 투영 분리가 대응합니다. 앞쪽 오류가 뒤쪽 후보를 무효화하는 문제에는 위치별 학습 비중을 바꾸는 손실 일정이 대응합니다. 기존 접근과 구별되는 결합관계 제가 기술 구성에서 주목하는 부분은 목표 모델의 여러 층에서 정보를 가져오는 단계와, 이를 초안 모델의 각 층으로 보내는 단계 사이의 연결 방식입니다. 입력 정보의 양, 층별 조합 규칙, 출처별 변환, 블록 단위 검증이 이어져 하나의 처리 흐름을 이룹니다. 단순한 모델 확대보다 정보 전달 구조를 바꾼 점을 중심으로 읽을 수 있습니다. 입증된 효과의 범위 입증된 효과는 시험한 세 목표 모델과 여섯 과제에서의 평균 수락 길이·시간 가속 개선, 별도 구성 비교에서의 성능 변화, 특정 SGLang 서비스 조건에서의 처리량 개선입니다. 구조 실험은 각 구성의 기여를 살피는 근거이고, 대규모 주 결과는 구조와 데이터 확대가 함께 작용한 결과입니다. 개별 예외와 학습 비용을 함께 적어야 기술적 차별성과 효과의 관계가 분명해집니다. 11. 마무리 DFlare는 초안 모델을 얼마나 크게 만들지에 앞서, 각 층이 어떤 정보를 받아 어떻게 사용하는지를 다시 설계한 연구입니다. 층별 혼합, 정보 출처별 변환, 학습 위치의 비중 조정이 결합되면서 더 긴 초안을 실제 시간 절감으로 연결할 수 있음을 보여주었습니다. 동시에 수락 길이의 증가가 모든 조건의 속도 향상을 뜻하지는 않습니다. 평균과 개별 과제, 학습 투자와 서비스 비용, 구조 개선과 데이터 확대를 나누어 읽을 때 이 논문의 기여와 한계를 정확하게 이해할 수 있습니다. 관련 업무 · 인공지능 특허 논문·도표: Zhang 외, DFlare v2, 2026 (CC BY 4.0) · CC BY 4.0 이 글은 표시된 게시일을 기준으로 작성된 자료입니다. 개별 사안에 대한 검토는 상담을 통해 안내합니다. 관련 업무 상담 ↗ 전체 글 보기 ON THIS PAGE 1. 논문 기본 정보 2. 기술적 과제는 초안 모델의 정보 병목입니다 3. 먼저 알아둘 개념: 초안 길이와 속도는 다릅니다 4. 해결수단: 층별 정보 조합과 출처별 변환 각 초안 층이 별도의 혼합 비율을 학습합니다 목표 문맥과 초안 토큰에 서로 다른 KV 변환을 씁니다 5. 실제 처리 순서와 학습 방법 앞쪽을 먼저 안정시키고 뒤쪽 위치의 학습 비중을 높입니다 6. 실험은 어떤 조건에서 이루어졌을까요 7. 주요 결과: 평균 개선과 개별 예외를 나누어 읽기 8. 어떤 구성에서 효과가 나왔을까요 9. 실제 서비스의 효과와 계산 비용 10. 변리사 관점에서 보는 기술적 과제와 효과 과제와 해결수단의 대응 기존 접근과 구별되는 결합관계 입증된 효과의 범위 TALK TO IPLEX 우리 기업에 맞는 IP 전략이 필요하다면 기술과 사업의 상황에 맞춰 필요한 업무를 함께 살펴봅니다. ↗ 상담 문의 최근 글 확대된 선출원과 이미지 생성 ↗ 이전 글 물막이 디자인 창작성의 기준 ↗ 함께 읽을 인사이트 인공지능 2026.10.29 문맥에 따라 기억을 나누는 SwiLA 고정 크기 기억을 여러 회귀 성분으로 나누는 Switching Linear Attention의 구조, 회상 성능과 처리량 실험, 적용상 한계를 살펴봅니다. ↗ 본문 읽기 인공지능 2026.10.28 마이크로소프트 AI 음성합성 특허: 글자·단어·문장 정보를 모아 읽는 원리 마이크로소프트 US12094447B2의 음소·글자, 단어 임베딩, 문장 구조 정보 정렬과 결합에서 음성 파형 생성까지의 과정을 분석합니다. ↗ 본문 읽기 인공지능 2026.10.27 긴 추천 이력을 빠르게 읽는 GBLA GBLA의 국소 혼합·키 게이트·출력 게이트와 하이브리드 인코더, 추천 품질 및 단일 층·전체 학습 속도 결과를 분석합니다. ↗ 본문 읽기

- https://www.iplexlaw.co.kr/
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4/category/ai
- https://www.iplexlaw.co.kr/ko/ai-patents
- https://arxiv.org/abs/2606.02091v2
- https://creativecommons.org/licenses/by/4.0/
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-0
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-1
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-2
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-3
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-4
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-5
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-6
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-7
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-8
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-9
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-10
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-11
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-12
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-13
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-14
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting#article-1866-ko-15
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/ko/blog/brunch-case-1868
- https://www.iplexlaw.co.kr/ko/blog/brunch-case-1865
- https://www.iplexlaw.co.kr/ko/blog/swila-switching-linear-attention
- https://www.iplexlaw.co.kr/ko/blog/swila-switching-linear-attention
- https://www.iplexlaw.co.kr/ko/blog/microsoft-multilevel-tts
- https://www.iplexlaw.co.kr/ko/blog/microsoft-multilevel-tts
- https://www.iplexlaw.co.kr/ko/blog/gbla-generative-retrieval
- https://www.iplexlaw.co.kr/ko/blog/gbla-generative-retrieval