언어 모델 함수 호출을 통한 반성적 프롬프트 튜닝

연구진은 평가 세트에서 실패 원인을 진단하고 이를 바탕으로 프롬프트를 반복 개선하는 Reflective Prompt Tuning을 제안했다.

이 프레임워크는 구조화된 진단 피드백과 이전 진단 메모리를 결합해 프롬프트를 더 체계적으로 최적화한다.

세 가지 추론 과제에서 최대 12.9포인트 성능 향상을 보였고, 신뢰도 보정도 개선했다.

수작업 프롬프트 튜닝 부담을 줄이면서 대형 언어 모델의 복잡한 추론 성능과 안정성을 높이는 접근이다.