본 논문은 Chain-of-Thought (CoT) 전략을 통해 강화 학습된 추론 대규모 언어 모델(Reasoning Large Language Models, RLLMs)의 추론 오류 원인을 분석합니다. 다양한 복잡도의 제약 만족 논리 문제인 그래프 컬러링 문제를 o1-mini, o3-mini, DeepSeek-R1, Claude 3.7 Sonnet, Gemini 2.5 Pro Preview, Grok 3 Mini Beta 모델에 적용하여 실험하였습니다. 그 결과, 모든 모델에서 상당수의 오답이 프롬프트에 명시되지 않은 그래프 에지를 허구적으로 생성(hallucinate)하는 데서 기인함을 발견했습니다. 이러한 입력과 상충되는 환각 현상은 문제 복잡도 및 의미 프레임에 관계없이 지속되었으며, 안정적 매칭 문제에 대한 소규모 실험에서도 일반화됨을 확인했습니다. 본 연구는 RLLMs의 문제 특징 오류 표현 문제를 지적하고, 이를 완화하기 위한 설계 방안을 제시합니다.
