본 논문은 대규모 언어 모델의 추론 견고성 문제를 해결하기 위해 새로운 접근 방식인 의미적 자기 검증(Semantic Self-Verification, SSV)을 제시한다. SSV는 자연어로 표현된 추론 문제를 논리 솔버의 공식 언어로 정확하게 공식화하는 과제에 초점을 맞춘다. 모델이 생성한 구체적인 예시를 솔버가 검증하는 일관성 기반 접근 방식을 통해 강력한 추상적 공식화를 생성한다. 기존 최고 성능을 능가하는 추론 정확도 향상 외에도, 개방형 추론 벤치마크에서 높은 정확도를 보이는 검증 기능을 주요 특징으로 제시한다. 이러한 거의 확실한 추론을 통해 많은 경우 수동 검증의 필요성을 줄이고, 더욱 신뢰할 수 있고 자율적인 AI 추론 시스템에 한 걸음 더 다가갈 수 있음을 보여준다.
