[논문리뷰] Deflanderization for Game Dialogue: Balancing Character Authenticity with Task Execution in LLM-based NPCs

링크: 논문 PDF로 바로 열기

저자: Pasin Buakhaw, Kun Kerdthaisong, Phuree Phenhiran, Pitikorn Khlaisamniang, Supasate Vorathammathorn, Piyalitt Ittichaiwong, Nutchanon Yongsatianchot

핵심 연구 목표

LLM 기반 비플레이어 캐릭터(NPC)가 게임 내에서 기능적 작업 실행과 페르소나 일관성 있는 대화 생성을 동시에 수행할 때 발생하는 "Flanderization" (과도한 역할극) 문제를 해결하는 것을 목표로 합니다. 이를 통해 캐릭터의 진정성 과 작업 실행의 정확성 사이의 균형을 효과적으로 맞추는 방안을 모색합니다.

핵심 방법론

본 연구는 Commonsense Persona-Grounded Dialogue Challenge (CPDC) 2025 Round 2 에 참여하여 두 가지 보완적인 전략을 사용했습니다. API 트랙 에서는 과도한 역할극을 억제하고 작업 충실도를 높이는 Deflanderization 프롬프팅 방식 (D (Deflanderization))을 few-shot 예제 (F (Fewshot))와 결합한 경량 프롬프팅 기법 을 적용했습니다. GPU 트랙 에서는 Qwen3-14B 모델 을 지도 미세 조정(SFT) 및 Low-Rank Adaptation (LoRA) 을 통해 미세 조정했으며, Retrieval Augmented Generation (RAG) 및 RAG+Refine 기법을 탐색하여 대화 접지(grounding)를 개선했습니다.

주요 결과

API 트랙 에서 D-RW (Deflanderization + Remove World setting) 및 two-turn few-shot 예제 를 결합한 접근 방식이 Task 3에서 2위, Task 1에서 2위, Task 2에서 5위 를 기록했습니다. 특히 Deflanderization 프롬프팅 은 제로샷 대비 Task 3에서 +0.013의 CPDCscore(all) 절대 이득 을 보였습니다. GPU 트랙 에서는 Qwen3-14B 모델 에 SFT 및 LoRA 를 적용한 결과 0.598의 CPDCscore(all) 로 4위 를 차지하며, 모델 크기와 도메인별 미세 조정의 중요성을 입증했습니다.

AI 실무자를 위한 시사점

제한된 컴퓨팅 리소스 환경인 API 트랙 에서는 Deflanderization과 Few-shot 프롬프팅 과 같은 경량 프롬프팅 전략 이 비용 효율적이면서도 효과적인 성능을 낼 수 있음을 보여줍니다. 반면, GPU 트랙 에서는 대규모 언어 모델의 미세 조정(SFT+LoRA) 이 성능 향상에 결정적인 요소임을 시사합니다. 이 연구는 페르소나 일관성과 기능적 정확성 사이의 균형을 맞추는 것이 LLM 기반 NPC 개발의 핵심 과제임을 강조하며, 향후 프롬프팅과 미세 조정을 결합한 하이브리드 전략 의 필요성을 제시합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.