연구진이 보안 인증 상황에서 사용자 주변 환경의 위험 요소를 멀티모달 대형언어모델(MLLM)이 얼마나 잘 인식하는지 평가하는 벤치마크 'SpatialTrust'를 공개했다. 민감 요인 탐지, 직접·간접 요인 식별 및 설명 등 5가지 능력을 평가한 결과, 기존 상용·오픈소스 MLLM 모두 특히 간접적 위험을 이해하고 설명하는 데 취약한 것으로 나타나 공간적 위험 인지가 여전히 어려운 과제임을 보여줬다. 연구진은 구조화된 질의응답·검증 파이프라인 'SpatialTrustGuard'를 도입해 Qwen3-VL-30B-A3B-Instruct 모델의 전체 성능을 36.78%에서 41.12%로 끌어올렸다. 보안 인증에서 MLLM의 신뢰성을 높이려면 전용 벤치마크와 구조화된 추론 기법이 필요하다는 점을 시사한다.

• •보안 인증용 환경 위험 인식 벤치마크 'SpatialTrust' 공개, 5가지 능력 평가
• •기존 MLLM은 간접적 위험 이해·설명에서 특히 낮은 성능
• •'SpatialTrustGuard' 파이프라인으로 Qwen3-VL-30B 성능 36.78%→41.12%로 개선
• •보안 인증 분야에서 MLLM 신뢰성 확보를 위해 전용 벤치마크와 구조화된 추론 필요성 제시