본 논문은 대규모 언어 모델(LLM)이 외부 제약 조건을 적용하는 데 어려움을 겪는 문제를 해결하기 위해, 제약 프로그래밍(CP) 추론과 LLM 예측을 결합한 GenCP를 개선한 연구입니다. 기존 GenCP의 순차적 토큰 생성 방식의 한계를 극복하고자, 마스크 언어 모델(MLM)을 통합하여 양방향 제약 전파를 가능하게 함으로써 토큰 수준 예측과 구조적 제약 적용 간의 간극을 해소합니다. MLM을 활용한 도메인 미리보기가 GenCP의 성능을 향상시키는 것을 COLLIE 벤치마크 평가를 통해 보여줍니다. MLM 호출 증가 및 백트래킹 증가 가능성에도 불구하고, LLM 추론의 효율성을 높이고 엄격한 콘텐츠 제약 조건이 있는 작업에서 실행 가능하고 의미 있는 솔루션을 생성하는 능력을 향상시킵니다.
