언어 모델(LM) 파이프라인은 프로그래밍 제약 조건에 따라 출력을 동적으로 개선할 수 있습니다. 하지만 경쟁적인 소프트 제약 조건에 직면하면 효율성이 떨어지고, 하나의 제약 조건을 만족시키는 것이 다른 제약 조건을 위반하는 비효율적인 백트래킹 루프가 발생합니다. 본 논문에서는 메타 자기 수정(Meta Self-Refining) 프레임워크를 제시합니다. 이 프레임워크는 메타 수정 계층을 LM 파이프라인에 장착하여 런타임/추론 시간에 이러한 경쟁을 해결합니다. 본 접근 방식은 파이프라인의 실행 이력을 모니터링하여 진동 실패를 감지합니다. 감지되면, 백트래킹 시도의 전체적인 상태를 분석하고 경쟁 요구 사항의 균형을 맞추기 위한 전략적 지침을 합성하는 메타 복구기 LM을 호출합니다. 이 자기 복구 지침은 원래 LM을 실패하는 정제 루프에서 성공적인 출력으로 안내합니다. 실험 결과, 메타 자기 수정은 이러한 루프를 성공적으로 복구하여 더 효율적인 LM 프로그램으로 이어짐을 보여줍니다.
