BROWSE
Detail
Conference Paper
메타인지 점수 기반 선택적 자기수정을 통한 소형 언어모델의 도구 선택 성능 향상
Cited - time in 
Share 
Share
- Issue Date
- 2026-06
- Citation
- 한국컴퓨터 종합 학술대회 (KCC) 2026, pp.2174-2176
- Publisher
- 한국정보과학회
- Language
- Korean
- Type
- Conference Paper
- Abstract
- 소형 언어모델(SLM)의 도구 선택 정확도는 후보 도구 수 증가에 따라 크게 저하된다. Qwen2.5-3B 기준 retrieval 없이 직접 호출 시 정확도 17.1%, retrieval 기반 1-pass 선택에서도 56.68%에 그친다. 기존 자기 수정(Self-Correction) 방법은 균일한 수정 전략과 단일 confidence 기 반 판단으로 올바른 예측을 훼손하는 overcorrection 문제가 발생한다. 본 논문은 쿼리-도구 의미 유사도, 토큰 확률 기반 유효성, 결과 일관성을 결합한 다차원 메타인지 점수로 SKIP/LIGHT/FULL 전 략을 선택적으로 적용하는 SCMC(Selective Self-Correction with Meta-Cognition) 프레임워크를 제 안한다. MetaTool 벤치마크 단일 도구 선택 태스크에서 baseline 대비 +3.92%p(60.60%) 향상을 달 성하였으며, 모든 샘플에 동일한 수정을 적용하는 방식이 오히려 성능을 저하시킨 반면, 제안 방법은 평균 2.53회의 LLM 호출만으로 선택적 수정의 효과를 입증하였다.
- KSP Keywords
- Meta-cognition, self-correction