PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.26629v2cs.CL

PERSONAWEAVER: 절차적 캐릭터 생성에서 기존의 전형을 뛰어넘는 제어 가능한 다양성 확보

PERSONAWEAVER: Controllable Diversity Beyond Conventional Archetypes in Procedural Character Generation

절차적 캐릭터 생성(procedural character generation)은 게임, 시뮬레이션 및 기타 가상 세계를 다양한 캐릭터로 채우는 것을 목표로 합니다. 대규모 언어 모델(LLM)은 이 작업을 확장(scaling)하기 위한 유망한 기반을 제공합니다. 그러나 LLM 기반 절차적 캐릭터 생성은 아직 초기 단계에 머물러 있습니다. 기존 방식은 캐릭터를 직접 생성하거나 페르소나 뱅크에서 검색한 프로필을 조정하는 방식입니다. 본 연구에서 보여주듯이 두 접근법 모두 행동적으로 동질화된 집단을 형성합니다. 캐릭터들은 긍정적인 도덕적 규범에 압도적으로 동의하며, 질문에 대해 도움이 되는 어시스턴트 같은 반응을 보입니다. 이러한 동질화를 완화하기 위해, 본 논문에서는 세계관 구축과 행동 명세를 분리하고 수작업으로 큐레이션된 다양하고 보편적인 도덕적 입장 및 대화 반응 뱅크를 통해 행동을 모델링하는 PersonaWeaver를 소개합니다. 이러한 설계를 통해 여러 배경 설정 전반에서 LLM이 기본 행동 패턴을 넘어 얼마나 확장될 수 있는지 테스트할 수 있습니다. 10개의 현실적 및 판타지적 배경 설정과 3개의 LLM을 대상으로 한 실험에서, PersonaWeaver는 이전 연구보다 더 넓은 도덕적 및 상호작용적 반응 분포를 생성합니다. 또한 PersonaWeaver의 유도는 대인 언어, 응답 길이, 감정을 다양화하며, 덜 전형적인 세계관 속성 조합을 생성합니다. 코드는 https://github.com/mqraitem/PersonaWeaver 에서 확인할 수 있습니다.

arXiv:2605.12894v2cs.AI

협력적 시뮬레이터를 넘어서: LLM 에이전트의 강건한 평가를 위한 현실적 사용자 페르소나 생성

Beyond Cooperative Simulators: Generating Realistic User Personas for Robust Evaluation of LLM Agents

대규모 언어 모델(LLM) 에이전트(agent)는 모호하거나 조급하며 정보 공유를 꺼리는 사용자를 포함하여 다양한 사용자와 상호작용하는 환경에 점점 더 많이 배포되고 있습니다. 그러나 실제 상호작용 데이터를 대규모로 수집하는 것은 여전히 비용이 많이 듭니다. 이에 따라 관련 분야에서는 대안으로 LLM 기반 사용자 시뮬레이터(user simulator)를 활용해 왔으나, 이러한 시뮬레이터는 기반 모델(model)의 특성인 협력적이고 동질적인 행동을 그대로 물려받습니다. 그 결과, 시뮬레이션에서는 우수해 보이는 에이전트가 실제 인간과의 상호작용에서는 실패하는 경우가 많습니다. 이러한 간극을 좁히기 위해 본 논문에서는 본래의 작업 목표를 유지하면서 사용자 시뮬레이터에 현실적인 행동 변이를 유도하는 플러그앤플레이 제어 층(layer)인 Persona Policies(PPol)를 제안합니다. 페르소나를 수작업으로 제작하는 대신, 진화형 코딩 에이전트를 활용하여 실제 사용자 대화 전반에서 인간 유사성 및 행동 범위를 최적화하도록 페르소나 생성 프로그램을 탐색합니다. 이렇게 진화된 프로그램은 도메인 내의 모든 작업에 대해 다양하고 인간다운 페르소나를 생성합니다. $\tau^2$-bench Retail 및 Airline, ColBench, WildChat을 포함한 4개 벤치마크 전반에서 진화된 PPol은 기준선(baseline) 시뮬레이터 대비 적합도 점수에서 28-72%의 절대적인 향상을 달성했습니다. 블라인드 평가에서 평가자들은 PPol 사용자를 80.4%의 비율로 '인간'으로 판단하였으며, 이는 기준선 시뮬레이터보다 약 2배 높은 수치입니다. 또한 PPol을 통한 에이전트 학습(training)은 실제 환경에서의 성능도 개선합니다. 실제 인간-에이전트 상호작용을 대상으로 한 사용자 연구에 따르면, 제안 기법으로 미세조정(fine-tuning)을 수행했을 때 기본 기준선 대비 작업 성공률이 +23% 향상되었습니다. 따라서 PPol은 본래의 작업을 변경하지 않고도 시뮬레이터 기반 평가 및 학습을 강화할 수 있는 새로운 접근 방식을 제공합니다.

arXiv:2606.18256v1cs.HC

인간-AI 관계(Rapport) 향상을 위한 동적 내집단 페르소나 생성

Dynamic In-Group Persona Generation for Enhancing Human-AI Rapport

사용자의 주요 관심사와 개인 맥락을 파악한 뒤, 유사한 고민을 공유하지만 배경과 서사는 다른 합성 내집단 페르소나를 동적으로 생성해 LLM 에이전트에 조건 부여하는 In-group Persona Agent(IPA)를 제안한다. 인간 대상 실험에서 페르소나 없는 에이전트와 최소 자기 노출 기준선 대비 지각된 관계, 개인적 관련성, 사용자 경험, 특히 참여도가 유의미하게 향상되었다.