본 논문은 대규모 언어 모델(LLM)에서 과제 관련 표현을 추출하여 추론 중에 재주입함으로써, 반복적인 데모 처리 없이도 몇 번의 샷 학습(few-shot In-Context Learning, ICL)과 비슷한 성능을 달성하는 문맥 내 파생 벡터(In-Context derived Vector, ICV) 방법을 개선한 연구입니다. 기존 ICV 방법의 ICL 특유 요소에 대한 민감성, 조잡하거나 의미적으로 단편화된 표현 사용, 그리고 휴리스틱 기반 주입 위치 의존성 문제를 해결하기 위해, 본 논문은 Exhaustive Query Rotation (EQR) 전략을 통합하여 강력하고 의미적으로 집약된 잠재 표현을 추출하고, 과제 복잡도에 따라 표현을 적응적으로 분할하는 Dynamic Latent Segmentation and Injection을 적용하며, REINFORCE 기반 최적화를 통해 각 세그먼트의 최적 주입 위치를 학습하는 Dynamic Vector (DyVec)를 제안합니다. 실험 결과, DyVec은 몇 번의 샷 ICL, LoRA 및 기존 ICV 기준선보다 성능이 우수하며, 의미적으로 집약된 잠재 표현의 동적 분할 및 주입의 효과를 보여줍니다. DyVec은 추론 시간 과제 적응을 위한 경량적이고 데이터 효율적인 솔루션을 제공합니다.
