창의적 LLM 출력을 위한 페르소나 다양화 연구

언어 모델(LLM)은 개방형 과제에 대해 종종 유사한 응답을 생성하는 경향이 있으며, 이는 '집단 사고'로 이어질 수 있습니다. 본 연구는 이러한 문제를 해결하기 위해 페르소나 다양화(persona diversification)를 세트 수준의 조건부 문제로 공식화하고, 페르소나 선택 대 생성, 공간 채우기 대 최전선 탐색 등 두 가지 독립적인 설계 선택지를 다루었습니다. 이 과정에서 네 가지 방법을 구현하여 커버리지 및 분산 서브셋 선택, 균일 커버리지 샘플링, 진화적 페르소나 생성을 포함한 다양한 방식을 연구했습니다.

Alternative Uses Task (AUT) 평가 결과에 따르면, 진화적 페르소나 생성 방식은 과제 전용 프롬프팅 대비 응답 다양성을 78.8% 증가시켰으며, 독창성(26.1%), 유연성(49.5%), 전체 창의성은 13.9% 향상시키는 효과를 보였습니다. 또한 이 과정에서 98.5%의 타당도를 유지하는 것으로 나타났습니다.

추가적으로 Infinity-Chat 평가에서는 진화적 페르소나가 무작위 페르소나 대비 응답 분리 정도를 거의 두 배로 늘리는 결과를 보여주었습니다. 나아가, 진화적 페르소나는 창의성 최적화 프롬프팅과 결합했을 때 응답 다양성을 18.6% 더 높이고 창의성은 6.3% 향상시키는 것으로 나타났습니다. 이러한 결과들은 페르소나 세트 기하학이 과제에 구애받지 않는(task-agnostic) 방식으로 LLM의 발산적 출력을 유도하는 메커니즘임을 입증했습니다.