본 논문은 대규모 언어 모델(LLM)의 역방향 사고 능력 향상을 위한 RevThink 프레임워크를 제안합니다. RevThink는 데이터 증강과 학습 목표로 구성되어 있으며, 교사 모델로부터 구조화된 순방향-역방향 추론 데이터를 수집하여 데이터셋을 증강합니다. 수집된 데이터는 (1) 원래 질문, (2) 순방향 추론, (3) 역방향 질문, (4) 역방향 추론으로 구성됩니다. 학습 목표는 세 가지로, (a) 질문으로부터 순방향 추론 생성, (b) 질문으로부터 역방향 질문 생성, (c) 역방향 질문으로부터 역방향 추론 생성입니다. 다양한 데이터셋에서의 실험 결과, RevThink는 기존 방법 대비 상당한 성능 향상을 보였으며, 특히 데이터 효율성 측면에서 우수한 성능을 나타냈습니다.
