Implementation of a QLoRA-Based Game Character Persona Learning System in in Resource-Constrained Environments

본 연구는 자원이 제한된 컴퓨팅 환경에서 대규모 언어 모델((LLM)을 활용하여 게임 내 캐릭터의 페르소나(Persona)를 생성할 때 발생하는 메모리 한계를 해결하기 위한 시스템을 제안한다. 이를 위해 4비트 정량화 기반의 Quantized Low-Rank Adaptation (QLoRA) 기법을 적용하여 경량화된 학습 환경을 구현하였다. 제안한 QLoRA 기반 페르소나 생성 시스템은 8GB VRAM 환경에서도 LLaMA-3.2-3B과 같은 언어 모델의 미세 조정(fine-tuning)을 가능하게 하여, 기존 대규모 모델에서 불가능했던 효율적 미세 조정이 가능함을 실증하였다. 실험 결과, FBERT 및 Persona Accuracy 지표에서 우수한 성능을 유지하면서도 메모리 효율성과 생성 품질 간의 균형을 달성하였다.