모집 개요

지원 자격: AI, NLP, LLM 연구에 관심 있는 학부생 (전공 무관, 타대생 가능)
연구 시작일: 2026년 8월 31일 (월)
참여 기간: 2026 가을학기 (중간 평가 후 연장 가능)
지원 기간: ~ 2026년 8월 20일 (목) 오전 9:00까지

HLILab 연구 지원자 성장 로드맵

HLILab은 인턴 과정 종료 시점에 멘토링을 거쳐 학부 연구생으로의 전환을 적극 권장하며 지원합니다.
자세한 설명: https://app.notion.com/p/nosyu/HLILab-373f9fe5267b80468f14c4ebabc7acae

Step 1. 학부 인턴 (연구 온보딩 & 트레이닝)
- 목표: 연구실 환경 적응, 연구 기초 체력 강화 및 서로를 알아가는 기간
- 활동 내용: 연구실 온보딩, 관련 논문 리뷰, 실험 세팅 및 연구실 과제 참여
- 활동 기간: 한 학기 또는 방학 (최대 6개월)
- 멘토링: 전담 대학원생 멘토 매칭
- 종료 시점: 마지막 달에 멘토와 협의하여 학부 연구생 전환 논의 & 마지막 주 그룹 미팅 5분 성과 발표

Step 2. 학부 연구생 (주도적 연구 및 논문 집필)
- 목표: 주도적인 연구 수행을 통한 탑티어 학회 논문 발표 및 저자 등재
- 연구 타입:
  - [타입 A] 단독 연구 (제1저자): 본인의 연구 아이디어를 바탕으로 1저자 논문 집필
  - [타입 B] 멘토 연구 (공동 저자): 대학원생 멘토의 연구 프로젝트에 주요 코어 멤버로 참여
- 전환 절차: Research Proposal 작성 => 멘토 및 교수님 미팅 => 최종 확정
- 활동 기간: 최소 6개월 이상 연구 수행
- 멘토링: 대학원생 멘토 & 교수님 지도

활동 혜택 및 처우

인건비 지급: 성균관대학교 재학생 대상 월 30만원 지급 (중간 평가 후 인상 가능)
- 휴학생, 졸업생, 타대 재학생은 법적 규정에 따라 인건비 직접 지급이 어렵지만,
  추후 HLILab 대학원 진학 시 보전해 드립니다.
졸업요건 충족: 성균관대학교 소프트웨어융합대학 학부 졸업요건 지원 가능
- 학교에서 요구하는 조건이 있기에 지원 시 미리 말씀해 주세요.
연구 환경: 연구실 연구원과의 연구 멘토링, 연구용 GPU, OpenAI API 인프라 지원

지원 방법

제출 서류
- 이력서(CV) 1부
- 자기소개서 1부
  - 간략한 본인 소개, 관심 연구 프로젝트 및 지원 이유 포함
제출처: jy.bak@skku.edu
전형 절차
- 서류 접수 => (필요시) 면접 평가 => 최종 합격

주요 인턴 연구 프로젝트 (2026 가을학기)

자기소개서 작성 시 아래 프로젝트 중 관심 있는 연구 주제를 선택하여 작성해 주세요.

Superalignment
1. 연구 개요

We investigate superalignment for large language models (LLMs), focusing on how models can generalize from human-supervised easy tasks to more complex tasks (i.e., beyond the level of human intelligence) while maintaining value alignment. Our method is based on diverse scalable oversight methods such as Easy-to-Hard Generalization (E2HG), which combines outcome and process reward modeling (ORPM) to train models capable of robust reasoning under limited supervision. In this work, 1) we evaluate reasoning performance, 2) track value drift during fine-tuning and detect potential misalignment, 3) explore methods to mitigate value drift.

관련 논문
1. Research on Superalignment Should Advance Now with Parallel Optimization of Competence and Conformity
2. The Road to Artificial SuperIntelligence: A Comprehensive Survey of Superalignment
3. Easy-to-Hard Generalization: Scalable Alignment Beyond Human Supervision

보이스피싱

연구 개요

기존 보이스피싱 탐지 연구는 알려진 보이스피싱(In-domain) 유형에 집중하여 높은 정확도를 달성했습니다. 그러나 이러한 연구는 사전에 정의되지 않은 신종 보이스피싱(Out-of-domain)에 대응하지 못하는 한계가 있습니다. 예를 들어, 기존 유형의 보이스피싱 사례(예: 대출 유도, 지인 사칭 등)는 잘 탐지할 수 있지만, 새로운 형태의 보이스피싱(예: 가상자산 투자 권유, 메신저 기반 피싱 등)에는 취약합니다. 본 과제는 이러한 한계를 극복하기 위해 검색 모델과 통합된 신종 보이스피싱 탐지 모델을 개발하는 것을 목표로 합니다. 아울러 개발된 sLLM을 실제 환경에서 활용할 수 있도록, 모델을 탑재한 안드로이드 애플리케이션을 구현하여 실사용 기반의 탐지·응답 기능까지 통합하는 것을 추가 목표로 합니다.

관련 논문
1. Towards Reliable and Practical Phishing Detection
2. Korean voice phishing detection applying NER with key tags and sentence-level N-Gram
3. Enhancing Voice Phishing Detection Using Multilingual Back-Translation and SMOTE: An Empirical Study
4. Personalized Response System for Different Voice Phishing Types: Utilizing a Retrieval-Augmented Generation Model

Character Hallucination
1. 연구 개요

Character Hallucination 이란 llm 의 role-playing 의 환경에서 캐릭터 페르소나를 모델에
부여하였을 때 캐릭터의 정체성, 세계관과 모순되는 지식을 드러내는 현상을 의미합니다.

LLM Hallucination 은 모델이 실제로 모르는 것을 아는 듯이 과잉주장 (overclaim)을 해서
실패를 하는 현상이라면, Character Hallucination 은 모델이 알고 있는 일반적인 사실 (world

knowledge)을 억제하고 역할에 맞는 답변을 해야하는 상황에서 억제에 실패하고 누설 (leaking)

이 되어버리는 현상입니다. 예를 들어, 과거 인물 베토벤의 역할인 언어모델이 현대 기술인

파이썬에 대해 발언을 하는 사례가 이에 해당합니다. 본 연구에서는 이에 대한 현상을 측정하고

평가하는 벤치마크를 구축하는 것을 목표로 합니다.

관련 논문
1. “Character-LLM: A Trainable Agent for Role-Playing”
  (Shao et al., EMNLP 2023)
2. "Rolebreak: Character hallucination as a jailbreak attack in role-playing systems."
  (Tang et al., Proceedings of the 31st International Conference on Computational Linguistics. 2025)
3. "Revealing and Mitigating the Challenge of Detecting Character Knowledge Errors in LLM Role-Playing." (Zhang et al., Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing. 2025)

LLMs’ General Capability
1. 연구 개요
  현대 LLM은 넓은 범위의 다양한 작업에 적용되고 있으며, 그 범위는 계속해서 확장되고 있습니다. 이에 따라 창의성, 추론, 수학, 코딩, 사회적 상황 판단 등 다양한 능력을 한번에 요구받습니다. 그렇지만 LLM 성능을 증가시키는 것에 관한 기존 연구는 소수의 제한된 도메인을 타겟하거나 넓은 범위의 많은 데이터를 오랫동안 학습시켜야 한다는 한계가 있습니다. 이 연구에서는 LLM의 general capability에 대해 탐구하고, 프롬프트 방법론을 중심으로 resource가 제한적인 상황에서 LLM의 다양한 능력을 동시에 향상시키는 방법을 개발하고자 합니다.
2. 관련 논문
  1. “Self-Supervised Prompt Optimization” (Xiang et al., EMNLP Findings 2025)
  2. “Auto-Rubric: Learning From Implicit Weights to Explicit Rubrics for Reward Modeling” (Xie et al., arXiv 2026)
  3. “Evidence of interrelated cognitive-like capabilities in large language models: Indications of artificial general intelligence or achievement?” (Ilić & Gignac, Intelligence, 2024)

Cultural Alignment of LLMs
1. 연구 개요
  거대 언어 모델 (LLM) 은 질의응답 및 검색과 같은 지식 기반 task을 넘어, 사람의 가치 판단이 개입되는 task 까지 수행하고 있습니다. 그런데, 이러한 가치는 문화권마다 다르게 나타납니다. 예를 들어, 직접적인 거절이 자연스러운 문화권이 있는 반면 완곡한 표현이 미덕으로 여겨지는 문화권이 존재합니다. 하지만, 현재의 LLM은 학습 데이터의 대부분이 영어권에서 수집되어 특정 문화권의 가치에 편향되어 있으며, low-resource 문화권의 가치와 규범은 제대로 반영하지 못한다는 한계가 있습니다. 본 연구에서는 이러한 데이터 부족 상황에서 low-resource 문화권에 대한 LLM의 cultural alignment를 달성하는 것을 목표로 하며, 이를 위해 task transfer 및 synthetic data generation 기반의 방법론을 탐구하고자 합니다.
2. 관련 논문
  1. Yao, Jing, et al. "CAReDiO: Cultural Alignment via Representativeness and Distinctiveness Guided Data Optimization." arXiv preprint arXiv:2504.08820 (2025).
  2. Rao, Abhinav Sukumar, et al. "NormAd: A framework for measuring the cultural adaptability of large language models." Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 1: Long Papers). 2025.
  3. Adilazuarda, Farid, et al. "From surveys to narratives: Rethinking cultural value adaptation in LLMs." Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing. 2025.