PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.31478v2cs.SE

LLM 기반 전력 계통 코드 생성을 위한 지식 경계 탐침 및 수요 유도 개입

Knowledge boundary probing and demand-guided intervention for LLM-based power system code generation

대규모 언어 모델(LLM)은 전력망 분석 요청을 전력 계통 시뮬레이션을 위한 실행 가능한 프로그램으로 변환할 수 있지만, 전력 회사와 연구소는 종종 온프레미스(on-premise) 배포를 요구합니다. 이러한 환경에서는 환각(hallucination)된 함수, 오용된 매개변수, 잘못 처리된 결과 테이블 등 API 지식 경계에서 초회(first-pass) 실패가 빈번하게 발생합니다. 본 논문에서는 pandapower를 위해 동결된 2,000개 태스크 스위트로 공개된 매개변수화된 벤치마크 생성기인 PowerCodeBench와 가중치(weight) 업데이트가 필요 없는 배포 시점 워크플로를 제시합니다. 문서 기반 L0-L3 프로브는 진단, 모델 비교, 문서 할당, 백엔드 보정을 위한 모델별 API 프로필을 생성합니다. 쿼리 측 수요 추정기는 생성 전에 계층화된 API 증거를 선택하고, 실행 피드백은 표적화된 수정을 라우팅합니다. 10개의 오픈 가중치 LLM(1.5B-480B)과 4개의 중간급 API 전반에서, 검증(validation) 지원 워크플로는 7B 이상의 모든 모델과 모든 API에 대해 보조가 없는 초회 실행 대비 최대 3회의 수정 라운드 후 스칼라 일치 정확도를 32-56%포인트 향상시킵니다. 70B-120B 범위의 오픈 가중치 모델은 동일한 툴 미사용 조건에서 4개 벤더 중간급 정확도 범위에 도달합니다. 선택적 주입은 프롬프트(prompt) 토큰의 41%만을 사용하여 전체 층(layer) 참조에 근접합니다. 두 워크플로 모두에서 수치 검증을 통과한 모델-아이템 쌍 중 엔지니어링 검토 결과, 일반 수정에서는 66%였던 요청 분석 충족률이 전체 워크플로 출력에서는 88%로 확인되었습니다. OpenDSS 및 PyPSA에 대한 라운드 0 파일럿은 콜드 스타트 시점의 광범위한 검색에서 보정된 선택적 주입으로 이어지는 단계별 온보딩의 필요성을 입증합니다. 측정된 처리량, 지연 시간, 에너지 및 할당된 GPU 메모리는 실용적인 온프레미스 서빙 엔벨로프를 확립합니다.