추론 언어모델이 명령 위계(instruction hierarchy)를 어기는 원인을 명령 식별·충돌 해소·응답 실현이라는 세 단계로 분리해 진단하는 화이트박스 프레임워크를 제안한다. Gemma-4-31B-IT, Qwen3.6-35B-A3B, Claude Sonnet 4.6를 장문 맥락의 IHEval·IHChallenge로 평가한 결과, 지배적 실패 유형은 모델·작업·맥락 길이에 따라 달랐다. 저자들은 학습이 필요 없는 두 가지 자기 감시 기법(생성 전 충돌 탐지용 병렬 입력 모니터, 응답 검토·수정용 순차 출력 모니터)을 도입했고, 가장 강력한 모니터는 규칙 위반을 81~99% 줄였다. 에이전트 워크플로의 안전성을 재학습 없이 끌어올릴 실용적 방어책을 보여준다.

• •명령 위계 위반을 식별·충돌 해소·응답 실현 3단계로 분해하는 화이트박스 진단 프레임워크 제안
• •Gemma-4-31B-IT, Qwen3.6-35B-A3B, Claude Sonnet 4.6 평가에서 지배적 실패 유형이 모델·작업·맥락 길이마다 상이
• •학습 불필요한 병렬 입력 모니터(생성 전 충돌 탐지)와 순차 출력 모니터(응답 검토·수정) 두 기법 도입
• •최강 모니터가 규칙 위반 비준수를 81~99% 감소, GPT-5.3은 정적 공격 86%·적응형 공격 45% 감소