연구진이 텍스트-이미지 In-Context 학습(T2I-ICL)의 추론 성능을 개선하기 위해 Tree-of-Thoughts(ToT) 추론 프레임워크를 제안했어요. ToT는 여러 후보 가설을 생성, 평가, 선택하는 다단계 추론 과정을 거쳐 최종 프롬프트를 구성해요.
CoBSAT 벤치마크 평가 결과, ToT는 기존 프롬프트 방식보다 일관성 있고 의미론적으로 정렬된 이미지 생성이 가능했어요. 추가 훈련이나 파인튜닝 없이도 성능 향상을 확인했어요.
연구는 다중 브랜치 추론이 프롬프트의 모호성을 줄이고 조합 오류를 완화하는 데 효과적임을 보여줘요.