소수가 만든 거대 단일 LLM 대신, 다양한 이해관계자가 자신의 관심사로 학습한 작은 모델을 모듈형 프레임워크에서 협업시키는 '참여 확장(scaling participation)' 패러다임을 제안한다. 참여형 AI 시스템은 추론·사실성 등 15개 과제에서 단일 LLM보다 최대 15.4% 높은 성능을 내며, 기여된 모든 구성 요소를 합친 것보다 큰 모델까지 능가했다. 실험 결과 기여자 다양성에서 이득을 얻고, 각 기여자의 원래 목표 대비 성능이 크게 향상됐으며, 모든 개별 모델이 실패하는 문제의 15% 이상을 풀어내는 창발적 능력을 보였다. 중앙집중형 단일 모델 현상태에서 개방적·상향식·협업적 AI로 전환할 기술적 토대를 제시한다.

• •다양한 기여자의 작은 모델을 모듈형으로 협업시키는 '참여 확장' 패러다임 제안
• •참여형 시스템이 15개 과제에서 단일 LLM 대비 최대 15.4% 높은 성능
• •기여자 다양성에서 이득을 얻고 각 기여자의 원래 목표 대비 크게 향상
• •모든 개별 모델이 실패하는 문제의 15% 이상을 푸는 창발적 능력 관찰