연구진은 인컨텍스트 학습(ICL)의 비용 문제를 해결하기 위해 작업 벡터를 제안했는데, 기존 방법은 성능 정확도만 평가하여 한계가 있었어요.
새로운 지표 $d_{ ext{NTP}}$를 도입하여 작업 벡터 기반 추론과 ICL 기반 추론의 다음 토큰 확률 차이를 측정했는데, 이 지표가 성능을 예측하는 지표로 활용될 수 있음을 확인했어요.
Linear Task Vector (LTV) 방법론을 개발하여 $d_{ ext{NTP}}$를 최소화하는 방식으로, 8개의 분류 벤치마크와 5개의 LLM에서 기존 방법보다 평균 정확도를 9.2% 향상시켰고, 추론 지연 시간도 줄였어요.