본 논문은 복합 시스템과의 통합에서 예측 가능한 LLM 추론에 대한 요구가 구조화된 출력을 대중화했지만, 비구조화된 자연어와 비교한 성능 저하에 대한 우려가 여전히 남아있다는 점을 지적합니다. 비구조화된 Chain of Thought (CoT) 추적 데이터로의 학습은 새로운 강력한 추론 모델을 만들어냈지만, 계산 비용과 신뢰성 문제를 야기합니다. 본 논문에서는 Self-Discover 프레임워크의 인스턴스 수준 적응인 iSelf-Discover를 제시하고, 동적으로 생성된 구조화된 JSON 추론과 비구조화된 추론을 비교합니다. 다양한 벤치마크에 대한 실험 결과, 비구조화된 추론이 일관되게 우수한 성능을 보임을 보여줍니다. 특히, 복잡한 MATH 벤치마크에서 비구조화된 계획은 구조화된 접근 방식보다 최대 18.90%의 상대적 성능 향상을 달성했습니다. 제로샷 비구조화 iSelf-Discover 변형은 파이브샷 구조화된 변형보다 성능이 우수하여, 추론이 최종 답변에 앞서 동적으로 생성되더라도 이러한 차이가 중요함을 강조합니다. 또한, 최적의 계획 생성 세분성(인스턴스 수준 대 작업 수준)은 맥락에 따라 다름을 보여줍니다. 이러한 결과는 복잡한 문제 해결을 위한 구조화된 형식에 대한 의존성과 복합 시스템의 구성 방식을 재평가해야 함을 시사합니다.
