इस शोधपत्र में, हम बड़े पैमाने के अनुमान मॉडल (LRM) की अनुमान प्रक्रिया में अत्यधिक गणना लागत को दूर करने के लिए स्मार्टथिंकर नामक एक नवीन ढाँचे का प्रस्ताव करते हैं। मौजूदा वैश्विक लंबाई दंड योजना में अनुमान चरणों को महत्वपूर्ण चरणों तक अत्यधिक संघनित करने की समस्या है। स्मार्टथिंकर इस समस्या का समाधान एक द्वि-चरणीय शिक्षण ढाँचे के माध्यम से करता है जो प्रत्येक चरण के महत्व के अनुसार अनुमान श्रृंखला की लंबाई को परिष्कृत करता है। पहले चरण में, मॉडल को अस्वीकृति प्रतिचयन और पर्यवेक्षित शिक्षण सूक्ष्म-समायोजन (SFT) के माध्यम से संक्षिप्त अनुमान विधा के अनुकूल बनाया जाता है। दूसरे चरण में, महत्वपूर्ण चरणों की लंबाई बढ़ाने और कम महत्वपूर्ण चरणों की लंबाई कम करने के लिए चरण-दर-चरण लंबाई नियंत्रण नीति अनुकूलन (SCPO) लागू किया जाता है, जिससे दक्षता में सुधार होता है। SCPO में चार घटक होते हैं: एक ऑनलाइन महत्व अनुमानक, एक चरण-दर-चरण लंबाई नियंत्रण पुरस्कार फलन, एक चरण-दर-चरण सामान्यीकरण लाभ अनुमान (S-GAE), और एक कठिनाई-अनुकूली क्लिपिंग रणनीति। कई अनुमान बेंचमार्क और विभिन्न बैकबोन मॉडलों पर प्रायोगिक परिणाम दर्शाते हैं कि स्मार्टथिंकर मौजूदा तरीकों की तुलना में समान या बेहतर प्रदर्शन बनाए रखते हुए अनावश्यक अनुमान को काफी हद तक कम कर देता है।
