Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

When to Continue Thinking: Adaptive Thinking Mode Switching for Efficient Reasoning

Created by
  • Haebom

저자

Xiaoyun Zhang, Jingqing Ruan, Xing Ma, Yawen Zhu, Haodong Zhao, Hao Li, Jiansong Chen, Ke Zeng, Xunliang Cai

개요

본 논문은 대규모 추론 모델(LRMs)의 과도한 계산 비용 문제를 해결하기 위해, 장황한 추론 과정에서 발생하는 중복 추론을 줄이는 방법을 제시합니다. 특히 간단한 작업에서의 비효율적인 추론을 분석하고, 모델이 답변 생성 과정에서 암묵적으로 추론을 보완하는 "내부 자가 복구 메커니즘" 현상을 발견했습니다. 이를 바탕으로, 불필요한 추론을 억제하고 암묵적인 복구를 가능하게 하는 적응형 자가 복구 추론(ASRR) 프레임워크를 제안합니다. 정확도를 고려한 길이 보상 규제를 도입하여 문제의 난이도에 따라 추론 노력을 적응적으로 할당함으로써, 성능 저하 없이 높은 효율성을 달성합니다. 여러 벤치마크와 모델에 대한 실험 결과, ASRR은 GRPO와 비교하여 추론 비용을 최대 32.5%(1.5B 모델) 및 25.7%(7B 모델)까지 줄이고, 정확도 손실은 최소화(pass@1 기준 1.2% 및 0.6%)했습니다. 또한 안전성 벤치마크에서 무해율을 최대 21.7%까지 향상시켰습니다.

시사점, 한계점

•
시사점:
◦
대규모 추론 모델의 효율성을 크게 향상시킬 수 있는 새로운 프레임워크(ASRR) 제시.
◦
문제 난이도에 따라 추론 노력을 동적으로 조절하는 적응형 추론의 가능성 제시.
◦
안전성 벤치마크에서 성능 향상을 통해 더 안전한 LRM 개발 가능성 제시.
◦
LRM의 내부 자가 복구 메커니즘에 대한 새로운 통찰력 제공.
•
한계점:
◦
ASRR의 성능 향상이 특정 벤치마크와 모델에 국한될 가능성.
◦
다양한 유형의 추론 문제에 대한 ASRR의 일반화 성능에 대한 추가 연구 필요.
◦
"내부 자가 복구 메커니즘"의 정확한 작동 원리에 대한 추가적인 분석 필요.
👍
Made with Slashpage