본 논문은 대규모 추론 모델(LRM)의 과도한 추론(overthinking) 문제를 해결하기 위해 자기 규제적 추론 과정을 가능하게 하는 새로운 프레임워크인 Self-Braking Tuning (SBT)을 제안합니다. SBT는 표준 답변을 기반으로 과도한 추론을 식별하는 지표를 구성하고, 불필요한 추론 단계를 정확하게 식별하여 자기 규제 학습을 위한 신호를 생성합니다. 적응적 추론 길이를 갖는 데이터 생성 전략과 추론 종료 시점을 자연스럽게 학습할 수 있도록 하는 혁신적인 제동 프롬프트 메커니즘을 도입하여, 수학 벤치마크(AIME, AMC, MATH500, GSM8K)에서 최대 60%의 토큰 소비 감소를 달성하면서 동시에 제약 없는 모델과 비슷한 정확도를 유지함을 실험적으로 보여줍니다.
시사점, 한계점
•
시사점:
◦
과도한 추론 문제를 해결하기 위한 새로운 접근 방식인 Self-Braking Tuning (SBT) 프레임워크 제시
