Prompt 디자인은 대규모 언어 모델(LLM)의 추론 성능에 중요한 역할을 하지만, 프롬프트의 구체성(상세함 또는 모호함)이 미치는 영향은 아직 연구가 부족하다. 이 논문은 프롬프트 구체성의 다양한 수준에서 LLM 성능을 평가하기 위한 프레임워크 DETAIL을 소개한다. GPT-4를 사용하여 다단계 프롬프트를 생성하고, 혼란도(perplexity)를 통해 구체성을 정량화하며, GPT 기반 의미적 등가성을 사용하여 정확성을 평가한다. GPT-4 및 O3-mini를 대상으로 30개의 새로운 추론 작업에 대한 실험 결과에 따르면 구체성은 정확도를 향상시키며, 특히 작은 모델과 절차적 작업에 효과적이다. 이 결과는 적응형 프롬프트 전략의 필요성을 강조하며, 추가 연구를 지원하기 위한 도구와 데이터를 제공한다.
