PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27845v1cs.IR

질의 함의 생성형 엔진 최적화

Query Implied Generative Engine Optimization

온라인에서 정보를 찾는 방식이 바뀌면서 검색 환경은 급격히 달라졌다. 전통적인 검색 엔진은 대규모 언어 모델(LLM)을 사용해 사용자 질의에 대한 자연어 응답을 생성하는 생성형 검색 엔진(GSE)으로 대체되고 있다. 콘텐츠 제작자에게 가시성은 더 이상 검색 결과 순위만으로 결정되지 않고, 생성된 응답 안에서 인용되는지 여부로 결정된다. 그러나 생성형 검색 엔진은 블랙박스이므로, 생성형 검색 환경에서 콘텐츠 가시성을 높이기 위한 기법 모음인 생성형 엔진 최적화(GEO)가 등장했다. 기존 대부분의 접근은 명시적 질의 또는 질의에서 파생된 신호에 의존하여 콘텐츠를 사용자 요구에 맞게 정렬한다. 우리는 문서로부터 사용자 의도를 직접 추론하는 질의 함의 생성형 엔진 최적화(QI-GEO)를 제안한다. 본 접근은 문서의 의도 공간을 근사하고, 잠재적 사용자 질의에 답하기 위해 빠져 있으면서도 관련 있을 수 있는 콘텐츠를 식별한다. GEO-Bench 및 Extended GEO-Bench에서의 평가는 객관·주관 지표 전반에서 개선을 보였다. QI-GEO는 객관 점수를 최대 15.9%, 주관 점수를 최대 17.6% 향상시켰으며, 인용 감소 대비 거의 두 배 많은 인용 증가를 얻었다. 이러한 결과는 명시적 질의 입력에 의존하지 않고도 문서에서 도출한 사용자 의도 근사가 가시성을 개선할 수 있음을 시사한다.

arXiv:2607.21598v1cs.HC

대규모 언어 모델에서 사용자 의도를 명확히 하는 컨트롤 패널

Control panels to clarify user intent with Large Language Models

대규모 언어 모델(LLM)의 일반적인 사용자 인터페이스는 사용자의 자연어 질의를 유도하는 빈 프롬프트 창을 제공하지만, 거의 안내를 제공하지 않는다. 본 논문은 프롬프트 구성의 의미론에 대한 더 많은 단서를 제공하여 사용자가 의도를 더 쉽게 표현할 수 있게 하는 시각적 컨트롤 패널 인터페이스를 제안한다. 회상(recall)보다 인식(recognition)을 강조함으로써, 컨트롤 패널은 사용자가 의도에 부합하는 더 효과적인 프롬프트를 구성하도록 돕는다.

arXiv:2607.20734v1cs.LG

LLM은 변화하는 사용자 의도 속에서 길을 잃는다

LLMs Get Lost in Evolving User Intent

대규모 언어 모델(LLM)의 능력이 향상됨에 따라, LLM은 협업 에이전트(collaborative agent)로 점점 더 배치되어 반복적 상호작용을 통해 사용자가 위임한 작업을 수행하고 있다. 그러나 진정한 상호작용은 본질적으로 동적인데, 사용자는 의도를 처음부터 명시하는 경우가 드물고, 대화가 진행되면서 이를 점진적으로 드러내고, 수정하고, 재구성한다. 그럼에도 불구하고 LLM은 여전히 주로 단일 턴(single-turn), 의도가 완전히 명시된 설정에서 평가되거나 학습(training)되어, 근본적인 질문이 남는다: LLM은 대화가 진행되는 동안 변화하는 사용자 의도를 얼마나 잘 추적하고 그에 따라 행동하는가? 이를 연구하기 위해, 우리는 정적 단일 턴 작업을 동적 다중 턴(multi-turn) 대화로 변환하는 프레임워크를 제안한다. 이 대화에서는 사용자의 의도가 턴마다 점진적으로 드러나고, 수정되며, 때로는 대화 중간에 전환되기도 한다. 동시에 각 작업의 원래 평가(evaluation) 프로토콜을 유지하여, 새로운 어노테이션 없이 기존 벤치마크(benchmark)를 통제된 테스트베드로 재사용할 수 있게 한다. 여러 작업에 걸쳐 일관된 현상을 드러낸다: 정적 설정에서의 강한 성능은 변화하는 의도 설정으로 이전되지 않으며, 모델 패밀리 전반에 걸쳐 상당한 하락이 나타난다. 우리의 발견은 근본적인 격차를 가리킨다: 오늘날의 LLM은 아직 사용자의 변화하는 의도를 충실히 추적하고 그에 따라 행동하지 못하며, 이 능력은 정적 평가에서는 드러나지 않지만 미래의 협업 에이전트에게는 결정적이다.