본 논문은 대규모 언어 모델(LLM)에서 상충하는 목표(예: 솔직함과 상대방의 감정 배려) 간의 가치 절충을 해석하는 새로운 방법을 제시합니다. 인지 과학의 '인지 모델'을 활용하여, LLM이 인간과 유사한 가치 절충을 어느 정도 반영하는지 평가합니다. 최첨단 블랙박스 모델과 오픈소스 모델의 두 가지 설정에서 추론 노력과 강화 학습 후 훈련 역학을 분석하여 정보적 유용성과 사회적 유용성 간의 패턴을 밝힙니다. 분석 결과, 추론 모델에서는 정보적 유용성이 사회적 유용성보다 높게 나타났으며, 수학적 추론 능력이 뛰어난 오픈소스 모델에서도 이러한 경향이 확인되었습니다. 또한, LLM의 훈련 역학 분석을 통해 초기 훈련 단계에서 유용성 값의 큰 변화와 기본 모델, 사전 훈련 데이터 선택의 지속적인 영향을 발견하였습니다. 이 방법은 다양한 LLM의 발전 상황에 적용 가능하며, 고차원적 행동에 대한 가설 형성, 추론 모델 훈련 체계 개선, 모델 훈련 중 가치 간의 절충 제어 향상에 기여할 수 있습니다.
