대규모 언어 모델(LLMs)은 긴 문맥(long-context) 입력의 중간에 위치한 중요한 정보가 제대로 표현되지 않거나 손실되는 "lost-in-the-middle" 문제로 여전히 어려움을 겪고 있습니다. 기존 방법들은 멀티 스케일 회전 위치 임베딩(multi-scale rotary position embeddings, RoPE)을 결합하여 이를 해결하려고 시도하지만, 일반적으로 높은 지연 시간(latency)을 초래하거나 최적화되지 않은 수동 설계 스케일링 전략에 의존합니다. 이러한 한계를 극복하기 위해, 우리는 각 계층(layer)에 서로 다른 스케일링 인자를 할당하는 계층별 위치 임베딩 스케일링(layer-specific positional embedding scaling, LPES) 방법을 소개합니다. LPES는 모델 파라미터를 미세 조정(fine-tuning)하거나 추론 지연(inference delay)을 증가시키지 않고도 더욱 균형 잡힌 어텐션(attention) 분포를 달성합니다. 베지에 곡선(Bézier curves)을 통합하여 탐색 공간을 크게 줄임으로써 각 계층에 대한 최적의 스케일링 인자를 효율적으로 선택하기 위해 특별히 설계된 유전 알고리즘(genetic algorithm)이 사용됩니다. 광범위한 실험을 통해 LPES가 위치 어텐션 편향(positional attention bias)을 효과적으로 완화하며, 여러 긴 문맥 벤치마크에서 일관된 개선을 제공하고, 키-값 검색(key-value retrieval) 데이터셋에서 최대 $11.2$%의 정확도 향상을 달성함을 입증했습니다.