대규모 언어 모델 (LLMs)은 지능형 교통 시스템 (ITS), 특히 상황적 추론 (situational reasoning) 및 다중 에이전트 협업 (multi-agent coordination)이 필요한 작업에서 강력한 잠재력을 보여줍니다. 이러한 능력은 규칙 기반 접근 방식이 복잡하고 역동적인 교통 환경에서 어려움을 겪는 협력 주행 (cooperative driving)에 매우 적합합니다. 교차로 관리는 상충하는 우선권 (right-of-way) 요구, 이질적인 차량 우선순위, 그리고 실시간으로 해결되어야 하는 차량별 운동학적 제약 (kinematic constraints)으로 인해 특히 까다로운 과제로 남아 있습니다. 그러나 기존의 접근 방식은 일반적으로 LLM을 주요 의사 결정자보다는 신호 기반 시스템 위의 보조 구성 요소로 사용합니다. 신호 제어기는 여전히 차량을 인식하지 못하며 (vehicle-agnostic), 예약 기반 방식은 의도 인식 (intent awareness)이 부족하고, 최근의 LLM 기반 시스템들도 여전히 신호 인프라에 의존합니다. 또한, LLM 추론 지연 시간 (inference latency)은 초 단위 미만의 제어 환경에서의 사용을 제한합니다. 우리는 자율 교차로 관리를 위한 신호 없는 인지적 중재 프레임워크인 LISA (LLM-Based Intent-Driven Speed Advisory)를 제안합니다. LISA는 LLM을 사용하여 선언된 차량 의도 (vehicle intents)를 추론하며, 우선순위 클래스, 대기 행렬 압력 (queue pressure), 에너지 선호도를 통합합니다. 우리는 다양한 교통 부하에 대해 LISA를 고정 주기 제어 (fixed-cycle control), SCATS, AIM, 그리고 GLOSA와 비교하여 평가합니다. 결과에 따르면 LISA는 평균 제어 지연을 최대 89.1%까지 줄이고 서비스 수준 (Level of Service) C를 유지하는 반면, 모든 비-LLM 베이스라인은 서비스 수준 F로 저하됩니다. 포화에 가까운 수요 조건에서 LISA는 고정 주기 제어 대비 평균 대기 시간을 93% 줄이고 최대 대기 행렬 길이 (peak queue length)를 60.6% 줄입니다. 또한 연료 소비를 최대 48.8%까지 낮추고, 가장 우수한 비-LLM 방식의 61.2%와 비교하여 86.2%의 의도 만족도 (intent satisfaction)를 달성합니다. 이러한 결과는 LLM 기반 추론이 실시간 신호 없는 교차로 관리를 가능하게 할 수 있음을 입증합니다.