본 논문은 대규모 언어 모델(LLM)의 복잡한 추론 과정에서 중복되는 단계를 제거하여 토큰 소모량을 줄이는 새로운 방법인 EquivPruner를 제안합니다. 기존의 의미적 유사성 방법들이 특정 도메인(예: 수학적 추론)에서 의미적 동등성을 정확하게 식별하는 데 어려움을 겪는다는 점을 지적하며, 수학적 명제 동등성을 위한 새로운 데이터셋 MathEquiv를 제시하고, 이를 이용하여 경량의 동등성 검출기를 학습시킵니다. 실험 결과, EquivPruner는 다양한 모델과 과제에서 토큰 소모량을 크게 줄이고, 추론 효율성을 높이며 정확도를 향상시키는 것으로 나타났습니다. 예를 들어, Qwen2.5-Math-7B-Instruct 모델에 GSM8K 데이터셋을 적용했을 때, 토큰 소모량을 48.1% 줄이고 정확도도 향상시켰습니다. 소스 코드는 깃허브에서 공개됩니다.
