AI 연구연구 프리프린트
EMO, 답변 평가를 받아 문맥과 출력 확률을 번갈아 조정
원문 읽기 · arxiv.org ↗(새 탭에서 열림)EMO는 언어모델을 다시 학습하지 않고 질문별 답변 평가를 받아 지시 문맥을 수정하고, 수정 전후 토큰 확률의 차이로 다음 답변 생성을 조정한다.
연구 방법
- 외부 평가자가 정답 없이 답변의 약점을 지적하면 문맥을 다시 쓰고, 기존 문맥과 새 문맥 아래의 다음 토큰 분포를 비교해 제한된 강도로 보정한다. 그 답변을 다시 평가하는 과정을 반복하며 최종 후보를 평가 점수로 선택한다.
평가 결과
- 8개 모델·6개 추론 벤치마크의 집계 40개 설정 중 39개에서 기본 답변보다 정확도가 높았고 평균 증가는 9.10%포인트였다. 문맥 수정만 하는 비교 방식보다 평균 1.53%포인트 높았지만 모델·과제에 따라 개별 차이는 엇갈렸다.
적용 조건
- 토큰 확률 분포 접근과 외부 평가·문맥 재작성 호출이 필요하다. 생성량을 맞춘 예산 비교에는 평가자·재작성 비용과 지연이 빠졌고, 평가자가 틀린 답을 고를 수 있다. 수학·지식 추론 중심 결과를 도구 사용이나 다국어 작업으로 일반화할 수 없다.
함께 확인할 조건
- 토큰 확률 분포 접근과 외부 평가·문맥 재작성 호출이 필요하다. 생성량을 맞춘 예산 비교에는 평가자·재작성 비용과 지연이 빠졌고, 평가자가 틀린 답을 고를 수 있다. 수학·지식 추론 중심 결과를 도구 사용이나 다국어 작업으로 일반화할 수 없다.
출처와 편집 기준
arxiv.org · 연구 프리프린트 · 검수 2026.10.18 (KST)
요약은 원문의 핵심을 정리했으며, 커머스 인사이트는 편집 해석이다.