거대 언어 모델 기반 코드 생성 계획
본 연구는 그리드 기반 환경에서 대규모 언어 모델(LLM)을 활용하여 해석 가능하고 실행 가능한 프로그램을 합성하는 반복적 프로그래밍 계획(IPP) 프레임워크를 제안합니다. 이 프레임워크는 기존의 탐색이나 강화 학습 방식 대신, 환경 상태를 행동 시퀀스에 매핑하는 에이전트 정책으로 작동하는 코드를 생성합니다. 직접 코드 생성, 의사코드 기반 정제, 커리큘럼 기반 프롬프트 전략과 더불어, IPP는 거친 수준의 작업별 피드백을 통해 코드를 업데이트하는 반복적 정제 메커니즘에 중점을 둡니다. 여섯 가지 주요 LLM과 두 가지 도전적인 그리드 기반 벤치마크(GRASP, MiniGrid)를 사용하여 제안된 접근 방식을 평가했습니다. IPP 프레임워크는 여섯 개 모델 중 다섯 개에서 직접 코드 생성 방식보다 성능 향상을 보였으며, 순 에너지 이득은 몇 퍼센트에서 약 세 배에 달했습니다. 특히 Gemini-2.5-Pro의 경우, 부정적인 기준선에서 강력한 긍정적인 점수로 전환되며 GRASP 벤치마크에서 새로운 최고 성능을 달성했습니다. 또한, GPT-o3-mini의 직접 추출 방식보다 MiniGrid의 가장 어려운 작업에서 43%, GRASP에서 116% 더 우수한 성능을 보였습니다. 초기 프롬프트 비용은 더 높지만(GPT-o3-mini 기준 작업당 $0.08 대 인스턴스당 $0.002), 생성된 코드는 여러 인스턴스에 재사용 가능하여 상각 비용이 훨씬 낮아집니다(GRASP 벤치마크 전체에서 GPT-o3-mini 기준 400배). IPP는 성능 향상 외에도 재사용 가능하고 사람이 읽을 수 있는 정책을 생성하여 투명한 검사 및 수정이 가능합니다. 이는 인스턴스별 추론보다 프로그램 합성으로서의 계획이 가지는 장점을 강조하며, 투명성과 유연성을 제공합니다.