[논문리뷰] PromptBridge: Cross-Model Prompt Transfer for Large Language Models

링크: 논문 PDF로 바로 열기

저자: Yaxuan Wang, Quan Liu, Zhenting Wang, Zichao Li, Wei Wei, Yang Liu, Yujia Bao

핵심 연구 목표

본 논문은 LLM 시스템에서 모델이 교체되거나 업데이트될 때, 기존 모델에 최적화된 프롬프트의 성능이 다른 모델에서 크게 저하되는 현상인 모델 드리프팅(Model Drifting) 문제를 해결하고자 합니다. 이로 인해 발생하는 잦은 프롬프트 재최적화 비용과 노력을 줄이고, 효과적인 크로스-모델 프롬프트 전송(Cross-Model Prompt Transfer) 을 통해 성능 저하 없이 LLM 시스템의 지속 가능성을 확보하는 것이 주요 목표입니다.

핵심 방법론

제안하는 PromptBridge 는 훈련 없는(training-free) 프레임워크 로, MAP-RPE(Model-Adaptive Reflective Prompt Evolution) 를 통한 캘리브레이션과 크로스-모델 전송의 두 단계를 거칩니다. MAP-RPE 는 정량적 피드백 및 반영적 정제 를 통해 소스 및 타겟 모델별 최적 프롬프트를 반복적으로 얻으며, 이 프롬프트 쌍을 기반으로 Mapping Extractor 와 Adapter Model (예: GPT-5 )이 크로스-모델 프롬프트 매핑 을 학습합니다. 이 매핑은 미지의 작업에 대해 소스 프롬프트를 타겟 모델에 맞는 최적 프롬프트로 제로샷 변환하여 적용합니다.

주요 결과

PromptBridge 는 단일 에이전트 및 다중 에이전트 환경 전반에서 다운스트림 정확도를 일관되게 개선하며 마이그레이션 노력을 줄입니다. 예를 들어, SWE-BENCH Verified 벤치마크에서 소스 모델 04-mini 에서 타겟 모델 03 로 전송 시, 직접 전송 대비 27.39% 의 성능 향상을 달성했습니다. 또한, TERMINAL-Bench 에서 GPT-40 를 소스 모델로, 03 를 타겟 모델로 사용할 때 직접 전송 대비 39.44% 의 정확도 개선을 보여주었습니다.

AI 실무자를 위한 시사점

PromptBridge 는 LLM 시스템 개발 및 배포 시 피할 수 없는 모델 드리프팅 문제에 대한 매우 실용적이고 훈련 없는(training-free) 해결책을 제시합니다. 이는 LLM 모델이 자주 업데이트되거나 교체되는 환경에서 프롬프트 재조정 비용 을 크게 줄일 수 있게 하여, 성능 향상, 비용 효율성, 오픈소스 모델로의 전환 과 같은 실제 적용 시나리오에서 LLM 기반 애플리케이션의 안정성과 효율성을 높이는 데 기여합니다. 특히, 적은 수의 정렬 작업으로 제로샷 프롬프트 적응 을 가능하게 하여, AI 엔지니어들이 새로운 모델에 더 빠르고 효과적으로 대응할 수 있는 길을 열어줍니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.