감정적 표현과 AI 와의 상관관계

주요 발견 요약
감정적 톤은 인간 커뮤니케이션 전반에 만연하지만, LLM 행동에 미치는 영향은 여전히 불명확하다. 이 연구는 다음 세 가지를 밝혀냈다.

① 고정 감정 프리픽스는 효과가 미미하다 대부분의 태스크-모델 조합에서 감정적 프레이밍은 중립 기준선 대비 성능을 크게 향상시키거나 저하시키지 않았다. 정적 감정 프롬프팅은 범용 성능 개선 방법으로 작동하지 않는다.

② 감정 강도를 높여도 마찬가지다 "매우 화가 난다", "극도로 두렵다"처럼 강도를 높여도 정확도는 강도 수준에 걸쳐 소폭만 변했으며, 더 강한 표현이 일관된 성능 저하를 유발하지는 않았다.

③ 적응형 감정 선택(EmotionRL)은 효과가 있다 고정된 하나의 감정은 너무 거칠어서 신뢰할 수 없지만, 입력에 따라 조건화된 정책은 더 일관된 성능 향상을 이끌어낼 수 있다.

실험 설계
실험 대상 감정 6종
Plutchik의 기본 감정 이론을 기반으로 행복·슬픔·공포·분노·혐오·놀람 6가지를 사용했다.

평가 벤치마크 6종
벤치마크 측정 능력
GSM8K 수학적 추론
BIG-Bench Hard 일반 추론
MedQA 의료 전문 지식
BoolQ 독해
OpenBookQA 상식 추론
SocialIQA 사회적 추론
사용 모델
Qwen3-14B, Llama 3.3-70B, DeepSeek-V3.2 세 가지 오픈소스 모델을 파인튜닝 없이 제로샷 추론 환경에서 평가했다.


어차피 해야할거라면 즐기는 경지까지는 가자.

하다가 중간에 죽음을 맞이 하더래도

https://www.instagram.com/reel/DTzOOCtEhCY/?igsh=YjR6czhjdm96Zzh6