Together Research, LLM으로 잘못된 database query plan 보정…최대 4.78배 가속 주장

2026년 4월 3일 Together AI의 X 계정은 데이터베이스 optimizer가 semantic correlation을 놓쳤을 때 LLM이 query plan을 보정할 수 있다는 연구 결과를 소개했다. 게시물의 핵심은 DBPlanBench라는 시스템으로, 데이터베이스의 physical operator graph를 LLM에 보여준 뒤 전체 실행 전략을 처음부터 다시 만들지 않고 기존 plan에 국소 수정만 적용하는 접근이다.

연구가 주장하는 내용

Together는 DBPlanBench가 Apache DataFusion plan 위에서 동작하며, localized edit와 evolutionary search loop를 결합한다고 설명했다. X 게시물에서는 TPC-H와 TPC-DS에서 최대 4.78배 속도 향상, 테스트된 query의 60.8%에서 5% 이상 개선, 그리고 한 사례에서 build memory가 3.3 GB에서 411 MB로 줄었다고 주장했다. 관련 arXiv 논문은 기존 cost estimator가 데이터와 스키마의 semantic correlation을 놓치면 잘못된 join order와 access path, 연쇄적인 planning error가 발생할 수 있다는 점을 문제의식으로 제시한다.

왜 중요한가

이 사례는 LLM이 애플리케이션 계층이 아니라 시스템 인프라 내부에서 어떤 역할을 할 수 있는지를 보여준다. 특히 눈에 띄는 설계는 LLM에게 완전히 새로운 plan을 생성하게 하는 대신, 이미 optimizer를 거친 physical plan을 검토하고 제한된 변경만 제안하도록 했다는 점이다. 이런 방식은 검증 가능성과 실패 범위 통제 측면에서 더 실용적일 수 있다. 만약 benchmark 밖의 실제 워크로드에서도 효과가 유지된다면, 데이터베이스 엔진과 최적화 스택 안에서 더 좁고 신뢰도 높은 LLM 적용 방식이 열릴 수 있다.

출처는 Together AI의 X 게시물과 Making Databases Faster with LLM Evolutionary Sampling 논문이다.