본 논문은 대규모 언어 모델(LLM)의 추론 능력 향상을 위한 도구 통합 추론(TIR)의 효과를 종합적으로 평가한 연구이다. 기존의 사고 연쇄(CoT) 방식으로는 정확한 계산이 어려운 LLM의 한계를 극복하기 위해 TIR을 활용하고, 9가지 다양한 추론 범주를 포함하는 ReasonZoo 벤치마크를 제시하였다. 또한, 추론 효율성을 평가하기 위한 새로운 지표인 Performance-Aware Cost (PAC)와 Area Under the Performance-Cost Curve (AUC-PCC)를 제안하였다. 실험 결과, TIR 기반 모델은 수학적 및 비수학적 과제 모두에서 TIR을 사용하지 않는 모델보다 성능이 우수하며, PAC 및 AUC-PCC 지표 또한 향상되어 추론 효율성이 증대됨을 확인하였다. 이는 TIR이 LLM의 복잡한 추론 과제 해결 능력 향상에 도움이 됨을 시사한다.
