LLM이에이전트 시스템의 핵심 요소로 자리 잡으면서, 동적으로 정의된 기계 해석 가능한 인터페이스를

요약

대규모 언어 모델(LLM)이 에이전트 시스템에 통합되면서, 동적으로 정의된 기계 해석 가능한 인터페이스를 준수하는 것이 중요해졌습니다. 본 연구는 LLM을 인-컨텍스트 인터프리터로 평가하며, 새로운 문맥 자유 문법(CFG)을 주어졌을 때 구문론적 유효성, 행동적 기능성, 의미론적 충실성을 갖춘 출력을 생성할 수 있는지 검증합니다. 'RoboGrid'라는 프레임워크를 통해 재귀 깊이, 표현 복잡도 등을 통제된 스트레스 테스트로 분리하여 평가한 결과, LLM은 표면적인 구문(surface syntax)은 유지하지만 구조적 의미론(sem

핵심 포인트

• LLM의 문법 해석 능력은 재귀 깊이나 구조적 밀도가 높아지면 급격히 저하됩니다.
• CoT (Chain-of-Thought) 추론이 일부 완화 효과를 주지만, 심층적인 구조적 복잡성 앞에서는 성능이 무너집니다.
• LLM은 순수한 기호적 유도(symbolic induction)보다는 키워드를 통한 의미론적 부트스트래핑에 의존하는 경향을 보입니다.
• 신뢰할 수 있는 문법 독립적 에이전트를 위해서는 계층적 상태 추적 능력이 필수적으로 요구됩니다.