프롬프트 데이터 형식 연구: XML, MD, JSON 중 무엇이 가장 효과적인가?

커뮤니티 반응

게시물 작성자가 연구 결과를 공유하며 커뮤니티의 의견을 구하고 있으며, 최신 모델들의 강건함에 대한 흥미로운 데이터로 받아들여지고 있다.

실용적 조언

최신 고성능 모델을 사용할 때는 XML이나 JSON 같은 특정 형식에 얽매이기보다 개발자가 관리하기 편하고 가독성이 좋은 형식을 자유롭게 선택해도 무방하다.

섹션별 상세

Systima AI는 GPT-5.2, Claude Opus 4.6, Kimi K2.5, MiniMax M2.5 등 4개의 프론티어 모델을 대상으로 프롬프트 데이터 형식의 효율성을 조사했다. XML, Markdown, JSON 세 가지 형식을 10가지 작업에 걸쳐 총 600개의 데이터 포인트로 테스트했다. 연구의 목적은 모델이 구조화된 데이터를 인식하는 데 있어 특정 형식이 우위를 점하는지 확인하는 것이었다.

실험 결과 테스트된 모델의 75%에서 데이터 형식에 따른 성능 차이가 거의 없는 것으로 나타났다. GPT-5.2와 Claude Opus 4.6 등 주요 모델들은 세 가지 형식 모두에서 거의 동일한 경계 인식 점수를 기록했다. 이는 최신 모델들이 다양한 델리미터 구조를 유연하게 처리할 수 있을 만큼 충분히 학습되었음을 시사한다.

MiniMax M2.5는 이번 연구에서 유일하게 형식에 따른 성능 편차를 보인 모델로 기록됐다. 다른 모델들과 달리 특정 형식에서 경계 인식 능력이 떨어지거나 향상되는 양상을 보였다. 이러한 결과는 모델의 파라미터 크기나 학습 데이터셋의 구성에 따라 프롬프트 형식에 대한 민감도가 달라질 수 있음을 보여준다.

연구팀은 이번 결과를 '델리미터 가설(Delimiter Hypothesis)'이라는 이름으로 블로그에 상세히 공개했다. 커뮤니티 개발자들에게 프롬프트 형식 최적화에 과도한 시간을 쏟기보다 모델의 전반적인 추론 능력에 의존할 것을 권장했다. 향후 더 많은 모델과 다양한 변수를 포함한 후속 연구를 진행하기 위해 사용자 피드백을 수집하고 있다.

용어 해설

구분자(Delimiter): — 프롬프트 내에서 텍스트의 구조나 데이터의 경계를 명확히 하기 위해 사용하는 기호나 태그이다. XML 태그나 JSON의 중괄호 등이 대표적이며 모델이 입력값의 맥락을 분리해서 이해하도록 돕는 역할을 한다.
프론티어 모델(Frontier Model): — 현재 기술 수준에서 가장 높은 성능과 복잡한 추론 능력을 보유한 최첨단 대규모 언어 모델군을 의미한다. 대규모 연산 자원과 정교한 데이터셋으로 학습되어 가장 어려운 과제를 수행할 수 있는 모델들을 지칭한다.
경계 인식 점수(Boundary Score): — 모델이 입력된 데이터의 시작과 끝을 얼마나 정확하게 식별하고 구분하는지를 수치화한 지표이다. 이 점수가 높을수록 모델이 프롬프트 내의 지시문과 입력 데이터를 혼동하지 않고 정확하게 처리함을 의미한다.

언급된 리소스

문서The Delimiter Hypothesis: XML, MD, or JSON for prompts?