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 More is Less: Understanding Chain-of-Thought Length in LLMs

Created by
  • Haebom

저자

Yuyang Wu, Yifei Wang, Ziyu Ye, Tianqi Du, Stefanie Jegelka, Yisen Wang

개요

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.

시사점, 한계점

시사점:
CoT 길이와 LLM 성능 간의 관계가 역U자형 곡선임을 규명.
최적 CoT 길이는 작업 난이도와 모델 성능에 따라 달라짐을 밝힘.
모델의 단순성 편향 및 강화학습 과정에서의 영향을 제시.
최적 길이 CoT를 이용한 훈련 및 길이 인식 필터링의 실용적 이점 제시.
"과도한 생각" 현상에 대한 원칙적 이해 및 CoT 보정을 위한 실용적 지침 제공.
한계점:
제시된 이론적 모델의 일반성 및 적용 범위에 대한 추가 연구 필요.
다양한 LLM 아키텍처 및 작업 유형에 대한 추가 실험 필요.
최적 CoT 길이 결정을 위한 더욱 효율적인 방법론 연구 필요.
👍