본 논문은 대규모 추론 언어 모델(LRLM)의 테스트 시 확장을 통해 복잡한 문제를 해결하는 긴 사고 과정(CoT) 생성의 과도한 추론 문제를 해결하는 방법을 제시합니다. 긴 CoT에서의 과도한 추론은 문제 해결 효율성을 떨어뜨리고, 지나치게 자세하거나 중복된 추론 단계로 인해 정확도 손실 위험이 있습니다. 본 논문에서는 모델이 시도 답변에 대해 높은 신뢰도를 보일 때 다음 추론 과정의 생성을 동적으로 종료하여 LLM이 CoT 시퀀스를 자체적으로 잘라낼 수 있도록 하는 간단하면서도 효과적인 방법을 제안합니다. 고정된 휴리스틱에 의존하는 대신, 제안된 방법은 잠재적인 추론 전환 지점(예: "Wait" 토큰)에서 모델의 동작을 모니터링합니다. 이 방법은 추가적인 훈련이 필요 없으며 기존의 o1 유사 추론 LLM에 원활하게 통합될 수 있습니다. 10가지 추론 벤치마크(예: GSM8K, MATH-500, AMC, GPQA, AIME 및 LiveCodeBench)에 대한 실험 결과, 다양한 시리즈와 크기의 11가지 최첨단 추론 LLM에서 제안된 방법이 일관되게 효과적임을 보여줍니다. CoT 시퀀스의 길이는 평균 19.1%에서 80.1%까지 줄이고, 정확도는 0.3%에서 5.0%까지 향상됩니다.
