arXiv:2606.17164v1 cs.CL

PromptMN: 의사 프롬프팅 언어

PromptMN: Pseudo Prompting Language

Enkhzol Dovdon

제출 2026-06-15

한국어 초록

프롬프팅은 인간과 생성형 AI 사이의 주된 인터페이스가 되었지만, 많은 자연어 프롬프트는 여전히 취약하다. 역할, 목표, 제약, 기대 출력은 종종 산문 속에 묻혀 있거나 암묵적으로 남겨진다. 에이전트 및 소프트웨어 개발 워크플로에서 첫 전달 단계의 오해석은 모든 단계로 전파될 수 있으며, 에이전트 실패의 상당 부분은 모델 한계가 아니라 컨텍스트 모호성에서 비롯된다. 본 논문은 PromptMN을 소개한다. PromptMN은 역할, 목표, 요구사항, 우선순위, 제약, 계획, 입력, 출력을 포괄하는 간결한 % 접두사 타입 지시문으로 자연어를 주석 처리하는 의사 프롬프팅 도메인 특화 언어이다. 의미 해석(semantic resolution)을 통해 작성자는 어떤 순서로든 작성할 수 있고, 모델은 기능에 따라 지시문을 해석한다. PromptMN은 비공식적 프롬프팅과 프로그래밍 스타일 의사코드 사이에 위치한다. 검사 가능하고 재사용할 수 있을 만큼 구조화되어 있으면서도, 소프트웨어 개발 생명주기(SDLC) 전반에 걸친 분석가, 관리자, 개발자, 이해관계자에게 충분히 가벼운 수준이다. PromptMN은 역프롬프트 엔지니어링과도 결합된다. 모델에게 원하는 결과를 PromptMN으로 다시 서술하도록 요청하면, 사용자는 실행 전에 추론된 역할, 목표, 제약, 누락된 가정을 검토할 수 있어 수정 주기를 줄이고 사람과 AI 도구를 정렬하는 재사용 가능한 산출물을 얻을 수 있다. PromptMN의 실현 가능성은 Claude Fable 5, Claude Opus 4.8, Gemini 3.1 Pro, GPT-5.5를 포함한 여러 최첨단 모델에서 평가된다. 모델들은 미세조정 없이 반복, 조건문, 메서드, 소수 판별 작업과 같은 복잡한 구조를 포함한 PromptMN 지시문을 올바르게 해석했다. 동일한 어휘는 제시된 SDLC 시나리오의 신규 코드베이스, 유지보수, 재설계에 걸쳐 적용된다. 대규모 검증은 향후 과제로 남아 있지만, 이러한 초기 결과는 PromptMN이 더 명확하고 검토 가능한 인간-AI 상호작용을 향한 실용적 진전임을 시사한다.

원문 초록

Prompting has become the primary interface between humans and generative AI, yet many natural language prompts remain fragile: roles, goals, constraints, and expected outputs are often buried in prose or left implicit. In agentic and software development workflows, a misread at the first handoff can propagate through every step, since a significant portion of agent failures stem from context ambiguities rather than model limitations. This paper introduces PromptMN, a pseudo-prompting domain-specific language that annotates natural language with compact, %-prefixed typed directives covering roles, goals, requirements, priorities, constraints, plans, inputs, and outputs. Semantic resolution lets authors write in any order while the model interprets directives by function. PromptMN sits between informal prompting and programming-style pseudocode: structured enough to be inspectable and reusable, yet lightweight enough for analysts, managers, developers, and stakeholders across the software development lifecycle (SDLC). PromptMN also pairs with reverse prompt engineering. Asking a model to restate a desired outcome as PromptMN lets users inspect the inferred roles, goals, constraints, and missing assumptions before acting, reducing repair cycles and yielding a reusable artifact for aligning people and AI tools. PromptMN's feasibility is evaluated across several frontier models, including Claude Fable 5, Claude Opus 4.8, Gemini 3.1 Pro, and GPT-5.5. The models correctly resolved PromptMN instructions, including complex structures such as repetition, conditionals, methods, and a prime-checking task, without fine-tuning. The same vocabulary applies across new codebases, maintenance, and redesign in the SDLC scenarios presented. While large-scale validation remains future work, these early results suggest PromptMN is a practical step toward clearer, more reviewable human-to-AI interaction.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.17164v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.24855v1cs.AI공통 태그 Text Generation, Instruction Following, Prompt Engineering

논증을 분류만이 아니라 추출하기: 생성형 구성요소 탐지를 위한 지시 미세조정 LLM

Extracting Arguments, Not Just Classifying Them: Instruction-Tuned LLMs for Generative Component Detection

논증적 구성요소 탐지(ACD)는 논증 마이닝(AM)의 핵심 하위 과제이며, 주장(claim)과 전제(premise) 등의 구성요소로 논증 구간을 동시에 한정하고 분류해야 하므로 그중에서도 가장 어려운 측면 중 하나이다. 이 하위 과제에 대한 연구는 다른 AM 과제에 비해 상대적으로 제한적이지만, 기존 접근법의 대부분은 이를 단순화된 시퀀스 라벨링 문제, 구성요소 분류, 또는 구성요소 분할 뒤 분류하는 파이프라인으로 형식화한다. 본 논문에서는 간결한 지시 기반 프롬프트를 사용하는 지시 미세조정 대규모 언어 모델(LLM)에 기반한 새로운 접근법 ITFACD를 제안하고, ACD를 언어 생성 태스크로 재구성하여 사전 분할된 구성요소에 의존하지 않고 평문에서 논증을 직접 식별할 수 있게 한다. 표준 벤치마크에서의 실험 결과, 본 접근법이 최신(state-of-the-art) 시스템보다 더 높은 성능을 달성함을 보여준다. 우리가 아는 한, 이는 ACD를 생성 태스크로 완전히 모델링한 최초의 시도 중 하나이며, 복잡한 AM 문제에 대한 지시 미세조정의 잠재력을 부각한다. 코드와 사용된 데이터셋은 다음 GitHub 저장소에서 공개적으로 이용할 수 있다.

arXiv:2607.23991v1cs.CL공통 태그 Text Generation, Instruction Following, Prompt Engineering

SyRuP: 보상 유도 예측을 통한 LLM 디코딩에서의 시스템 프롬프트 준수 향상

SyRuP: Enhancing System-Prompt Following via Reward-Guided Prediction in LLM Decoding

대규모 언어 모델(LLM)은 역할, 스타일, 형식, 안전성 요구사항을 명시하는 시스템 프롬프트를 통해 점점 더 많이 제어되고 있다. 그러나 모델은 문맥 내 학습(ICL)을 통해서만 이러한 프롬프트를 암묵적으로 따르며, 이는 복잡하거나 구성적(compositional) 프롬프트에는 불충분할 수 있다. 기존 접근법은 종종 모델 튜닝이나 응답 수준 재순위화를 요구하여, 경량 추론 시점 제어의 실용성을 제한한다. 우리는 기본 LM을 고정한 채 시스템 프롬프트 준수를 개선하는 디코딩 시점 프레임워크인 SyRuP를 제안한다. SyRuP는 시스템 프롬프트 조건 선호 쌍으로부터 크로스 어텐션 보상 헤드를 학습하며, 시스템 프롬프트를 별도의 메모리로 취급하여 토큰 수준 준수 점수를 생성한다. 추론 시 SyRuP는 학습된 보상 신호와 시스템에 의해 유도된 로짓 변화를 포착하는 선택적 대조(contrastive) 신호를 기본 로짓과 결합하여 기본 LM의 top-k 후보를 재순위화한다. 시스템 프롬프트 준수 벤치마크에 대한 실험에서 SyRuP는 적당한 추론 오버헤드로 프롬프팅 및 디코딩 시점 베이스라인을 일관되게 능가한다. 이러한 결과는 명시적 토큰 수준 안내가 신뢰할 수 있는 시스템 프롬프트 준수를 위한 효과적이고 실용적인 메커니즘임을 시사한다.

arXiv:2607.22902v1cs.AI공통 태그 Text Generation, Prompt Engineering, software engineering

AI는 앱 목업에서 백로그를 얼마나 잘 생성할 수 있는가?

How Well Can AI Generate Backlogs from App Mockups?

스프린트 백로그를 작성하려면 상당한 노력이 필요하며, 에픽, 사용자 스토리, 태스크와 같은 항목이 누락되거나 일관되지 않게 명세될 수 있다. 우리는 프로젝트 초기 단계에서 확보 가능한 산출물인 시각적 앱 목업으로부터 백로그 생성을 지원하는 멀티모달 접근법을 제안한다. GPT-4o에 대해 세 가지 프롬프트 전략을 평가한다: 제로샷 기준선, 비전-언어 추론을 위한 Compositional Chain-of-Thought(CCoT), 그리고 페르소나 기반 프롬프트. 두 국가에 걸친 7개의 앱 개발 프로젝트를 연구하고 개발자들에게 결과에 대해 인터뷰했다. 전반적으로 기준선 프롬프트는 정밀도보다 재현율을 우선하는 반면, CCoT는 더 균형 잡혀 에픽과 사용자 스토리에 대해 평균 F1 점수 52-66%를 달성했다. 태스크는 정확하게 생성하기가 더 어려웠다. 아키텍처 컨텍스트, 특히 백엔드 태스크(정밀도 향상 최대 35%)를 추가할 때 정밀도 향상이 가장 일관되었다. 개발자 인터뷰에서는 false positive의 최대 26%가 여전히 유용하다고 평가되었으며, 이는 백로그 생성의 창의적이고 개방적인 성격을 반영한다. 이를 포착하기 위해 ground-truth 평가와 개발자 평가를 보완하는 새로운 지표인 Revised Recall(수정된 재현율)을 제안한다. 우리의 발견은 아키텍처 컨텍스트를 포함한 하이브리드 프롬프팅이 초기 목업으로부터 백로그 생성을 지원할 수 있음을 시사하지만, 결과는 항목 유형에 따라 달라지며 개발자의 검토는 여전히 필요하다.

arXiv:2607.24743v4cs.CV공통 태그 Text Generation, Instruction Following

ClinFusion: 포괄적 의료 이해를 위한 비전 중심 다중모달 LLM 시스템

ClinFusion: A Vision-Centric Multimodal LLM System for Holistic Medical Understanding

다중모달 대규모 언어 모델(MLLM)은 임상 실무를 혁신할 막대한 잠재력을 지니고 있으나, 의료 분야에 이를 배포하는 것은 근본적으로 비전 중심의 과제이다. 모델은 이질적인 2D 및 3D 의료 영상으로부터 지식을 흡수해야 하며, 평가 프로토콜은 방사선 전문의의 임상 실무와 부합해야 하고 정확하고 세밀하며 사실성 중심의 평가를 제공해야 한다. 본 논문에서는 이러한 한계를 체계적으로 해결하기 위해 포괄적 의료 이해를 위해 설계된 비전 중심 MLLM인 ClinFusion을 소개한다. 우리는 Cascade Spatial-Aware Locality Fusion 연산자를 특징으로 하는 구성적·계단식 비전 인코더 아키텍처를 제안하며, 이는 융합 인코더 내에서 다양한 2D 및 네이티브 3D 의료 영상 이해를 통합한다. 또한 지시 따르기(instruction following) 평가를 위한 MedIF-Bench와, 임상적으로 정렬되고 사실성 중심의 보고서 생성 평가를 위한 관심 영역(RoI) 기반 방법을 포함하는 비전 그라운딩(vision-grounded) 평가 프레임워크를 추가로 도입한다. ClinFusion이 시각적 질의응답, 보고서 생성, 지시 따르기에 이르는 2D 및 3D 다중모달 의료 벤치마크와 텍스트 의료 과제를 아우르는 포괄적 벤치마크 모음 전반에서 새로운 최첨단(state-of-the-art) 성능을 달성함을 보인다. 24개 벤치마크 중 20개에서 Hulu-Med, Lingshu 등 선도적인 오픈소스 의료 MLLM을 능가했으며, 16개 벤치마크 중 13개에서 GPT-5.2, Gemini-3-Flash와 같은 강력한 독점 모델보다 우수한 다중모달 능력을 보였고, 검색-증강 생성(RAG) 및 도구 지원 임상 워크플로를 위한 에이전트(agent) 도구 사용으로 더욱 확장할 수 있다. 방사선 전문의 자격을 갖춘 전문의들의 단맹 평가는 ClinFusion이 최상위 순위의 보고서를 생성함을 확인했으며, 우리의 RoI 기반 지표가 검토된 모든 자동 평가 지표 중 전문가 판단과 가장 강한 상관관계를 달성함을 검증했다.

arXiv:2610.01382v1cs.AI공통 태그 Text Generation, Instruction Following

가차 디코딩: 지시 준수를 통한 다양한 생성 도출

Gacha Decoding: Eliciting Diverse Generations Through Instruction Following

본 논문에서는 모델 성능에 비례하여 확장되며 다양한 언어 모델 생성을 도출하는 추론 시점(inference-time) 방법인 가차 디코딩(Gacha Decoding)을 소개합니다. 개방형 도메인(실제 대화, 창작 글쓰기, 이미지 생성을 위한 계획 수립, 단백질 설계) 전반에서, Gacha Decoding은 동일한 품질 조건 하에서 기존의 생성 다양성 접근법들을 크게 능가하며(차순위 기존 접근법 대비 최대 2.4배 높은 Vendi 점수 달성), 10배 이상 적은 샘플 수(11.0배)로도 동일한 수의 고품질 모드를 확보하고 기존의 어떤 접근법으로도 드러나지 않았던 새로운 모드를 발견합니다. 본 연구의 핵심 통찰은 다양성을 지시 준수(instruction-following) 문제로 다루는 데 있습니다. 즉, 언어 모델의 토큰 엔트로피에만 의존하는 대신 모델의 지시 준수 능력과 외부 난수 생성기(RNG) 도구의 무작위성을 결합하여 응답 공간의 구별되는 모드들을 확장 가능한 방식으로 식별하고 구현합니다. 이러한 '주사위 기반 계획 수립(planning with dice)' 접근 방식을 통해 Gacha는 다양성과 모델 성능 간에 오랫동안 관찰되어 온 긴장 관계를 반전시킬 수 있었습니다. 기반 언어 모델의 지시 준수 능력이 향상될수록, 기존 접근법 하에서는 토큰 엔트로피와 다양성이 감소하더라도 Gacha Decoding 하에서의 다양성은 일관되게 향상됩니다. 종합적으로, 본 결과는 토큰 엔트로피 단독보다는 지시 준수가 생성 다양성을 견인할 수 있음을 강조합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.