본 논문은 대규모 언어 모델(LLM)의 사고연쇄(CoT) 추론에서 CoT 길이가 길다고 항상 성능이 좋은 것은 아니라는 점을 실제 관찰, 통제된 실험, 이론적 분석을 통해 밝힙니다. 작업 정확도는 CoT 길이에 따라 역U자형 곡선을 그리며, 초기에는 성능이 향상되지만 CoT 단계가 증가함에 따라 결국 감소합니다. 통제된 실험을 통해 최적 CoT 길이의 확장 동작을 밝히고, 더욱 능력 있는 모델은 더 짧고 효율적인 CoT 추론을 선호하는 고유한 단순성 편향을 보임을 보여줍니다. 강화학습(RL) 훈련에서도 이러한 단순성 편향이 나타나며, 정확도가 향상됨에 따라 모델은 더 짧은 CoT를 선호합니다. 이러한 역학을 깊이 이해하기 위해 단순한 이론적 모델을 제시하여 최적 길이의 확장 법칙과 RL 중 단순성 편향의 출현을 공식적으로 증명합니다. 이러한 틀을 바탕으로 최적으로 길이를 조정된 CoT로 훈련하고 추론 시 길이 인식 필터링을 사용하는 것의 실질적인 이점을 보여줍니다. 본 연구는 "과도한 생각" 현상에 대한 원칙적인 이해와 CoT 보정을 위한 여러 가지 실용적인 지침을 제공하여, 작업 복잡도와 모델 기능에 맞게 조정된 적응형 CoT를 통해 LLM이 최적의 추론 성능을 달성할 수 있도록 합니다.