본 논문은 대규모 언어 모델(LLM)이 복잡한 추론 과제에서 실패하는 원인이 단순히 잘못된 논리 때문이 아니라 질문 이해의 결함에 있다는 점을 체계적으로 조사한 연구이다. 연구 결과, 세 가지 주요 통찰을 얻었다. 첫째, 계산에 효과적인 단계별 원칙을 읽기 과정에 적용하여 이해력을 높일 수 있다. 둘째, 질문 관련 토큰의 비율을 높임으로써 주의 집중을 재조정하여 이해도를 향상시킬 수 있다. 셋째, 역방향 의존성은 디코더 전용 모델의 핵심적인 병목 현상이며, Chain-of-Thought와 같은 강력한 방법을 사용하더라도 지속된다. 이러한 결과를 바탕으로, 모델의 이해력을 향상시키기 위해 질문을 더 세밀하게 파싱하고, 중요한 토큰에 대한 주의를 집중시키며, 반복적인 재맥락화를 통해 역방향 의존성을 해결하도록 안내하는 다단계 접근 방식인 단계별 읽기(SSR) 프롬프트 패밀리를 제안한다. 특히 SSR++는 여러 추론 벤치마크에서 최첨단 성능을 달성했으며, 분석 결과 의미론적 오해를 직접적으로 완화함으로써 작동한다는 것을 확인했다. 이러한 결과는 모델의 읽는 방식을 안내하는 것이 추론 능력 향상을 위한 강력하고 효율적인 방법임을 보여준다.
