GVS5H: LLM 코딩 성능 향상을 위한 원장 기반 제어의 제로샷 자기 오케스트레이션
GVS5H: Zero-Shot Self-Orchestration with Ledger-Based Control for Improved LLM Coding Performance
최첨단 코딩 성능은 일반적으로 크고 비용이 많이 드는 독점 모델을 통해 달성된다. 본 연구에서는 단일 모델의 새로운 인스턴스들이 문제를 분해하고 공유 파일 시스템을 통해 조율하는 무학습(training-free) 방식인 원장 기반 제로샷 자기 오케스트레이션(GVS5H)을 소개한다. 최신 고난도 LiveCodeBench 100개 문제에 대해 11개의 오픈 및 클로즈드 가중치(weight) 모델을 대상으로 실험한 결과, 이 방식은 최대 25.6점의 향상을 보이며 여러 저렴한 모델을 최첨단 수준의 성능으로 끌어올린다. 오케스트레이션이 적용된 Qwen3.8 Flash Next는 Fable 5의 90.4% 대비 9%에 불과한 비용으로 93.0%를 기록하며, 더 작은 Qwen3.8-27B는 92.4%에 도달한다. 성능 향상이 모든 모델에 보편적인 것은 아니며, 일부 모델은 성능 변화가 없거나 악화되기도 한다. 트랜스크립트 분석 결과 이러한 향상은 문제 분해와 지속적 컨텍스트에 기인하는 것으로 나타났다. 추론(inference) 시점의 조직화를 통해 자체 호스팅 가능한 가중치로도 훨씬 적은 비용으로 최첨단 코딩 정확도에 도달하거나 이를 뛰어넘을 수 있다.