프롬프트 해석 범위와 생성 제원

'합스부르크 턱을 가진 개구리의 SVG를 생성하라(Generate an SVG of a frog with a Habsburg jaw)'는 단일 프롬프트를 통해 여러 모델의 생성 능력과 주석(Annotation) 성향을 측정했다. 각 모델은 3회씩 반복 실행되었으며, 측정 지표는 생성 소요 시간(Latency)과 결과물 파일 크기(Bytes), 그리고 SVG 코드 내에 포함된 주석의 내용이다.

측정 결과 지연시간은 모델별로 극심한 편차를 보였다. 가장 빠른 응답은 5.4초였으며, 가장 느린 응답은 257.1초까지 기록됐다. 출력물의 크기 또한 최소 536B에서 최대 14,329B까지 넓게 분포했다. 특히 파일 크기가 큰 모델일수록 단순한 도형 정의를 넘어 상세한 주석과 추가적인 시각적 요소를 코드에 포함하는 경향이 확인됐다.

주석의 구성은 크게 세 가지 층위로 나뉜다. 첫째는 'Eyes', 'Legs'와 같이 신체 부위를 단순히 명명하는 구조적 라벨링이다. 둘째는 'massive protruding mandible(거대한 돌출 하악골)'처럼 프롬프트의 특징을 해부학적으로 해석해 덧붙이는 편집적 주석이다. 셋째는 프롬프트에 명시되지 않은 'Royal Imperial Collar(왕실 제국 칼라)', 'Golden Fleece Medal(금양모 훈장)' 같은 외부 지식을 결합한 설정 추가 단계다.

주석 생성 메커니즘과 해석 패턴

모델들이 '합스부르크 턱'이라는 특정 형질을 처리하는 방식은 단순 묘사에서 전문 용어 사용, 그리고 서사적 확장으로 구분된다. 일부 모델은 'Habsburg jaw - extreme underbite'와 같이 형질의 특징을 직접적으로 설명하는 수준에 그쳤으나, 고도화된 해석을 수행한 모델은 'Prognathism(하악전돌증)'이라는 의학적 용어를 사용해 해당 부위를 'THE PROMINENT HABSBURG JAW (PROGNATHISM)'라고 정의했다.

프롬프트에 없는 요소를 임의로 추가하는 '오버 에디토리얼라이징(Over-editorializing)' 현상도 관찰됐다. 특정 모델들은 합스부르크 가문의 역사적 배경을 스스로 추론해 'Royal Velvet Cushion(왕실 벨벳 쿠션)', 'Haughty Expression(오만한 표정)', 'Inbred Royal Disdain(근친교배된 왕실의 경멸)'과 같은 주석을 생성했다. 이는 모델이 단순한 시각적 구현을 넘어 학습 데이터 내의 역사적·문화적 맥락을 생성물에 투영했음을 보여준다.

성능 지표와 생성 내용의 상관관계를 보면, 지연시간이 100초를 상회하는 고지연 모델들에서 이러한 서사적 확장과 복잡한 주석이 집중적으로 나타났다. 반면 10초 내외의 저지연 모델들은 대부분 구조적 라벨링에 집중하거나, 'Smirk(능글맞은 웃음)' 정도의 가벼운 감정 묘사만을 추가하는 특성을 보였다.

구현 관점의 영향과 선택 기준

이번 벤치마크는 LLM이 SVG와 같은 구조화된 코드를 생성할 때, 프롬프트의 제약 조건을 얼마나 엄격하게 준수하는지 혹은 얼마나 창의적으로 확장하는지를 보여준다. 특히 주석 필드에 삽입되는 텍스트는 모델의 내부 추론 과정과 지식 인출 범위를 확인하는 지표가 된다. 단순한 에셋 생성이 목적일 때는 저지연·저용량의 구조적 모델이 효율적이지만, 캐릭터의 성격이나 세부 설정이 필요한 경우에는 외부 맥락을 스스로 결합하는 모델이 유리하다.

개발자와 실무자는 SVG 생성 API 도입 시, 모델이 프롬프트 외의 정보를 임의로 추가하는 '환각성 확장' 성향이 있는지 확인해야 한다. 특히 엄격한 가이드라인이 필요한 기업용 에셋 생성 환경에서는 주석에 의학적·역사적 해석이나 임의의 장식 요소(왕관, 훈장 등)를 추가하는 모델의 특성이 최종 결과물의 일관성을 해치는 제약 요인이 될 수 있으므로, 출력물의 주석 밀도와 프롬프트 준수율을 기준으로 모델을 선택해야 한다.