본 논문은 대규모 언어 모델(LLM)을 이용한 비용 고려 계획 수립을 위한 새로운 방법인 비용 증강 몬테카를로 트리 탐색(CATS)을 제안합니다. 기존 LLM은 모든 행동의 비용을 동일하게 취급하거나 엄격한 예산을 준수하지 못하는 어려움을 겪는 반면, CATS는 명시적인 비용 인식을 계획에 통합합니다. 엄격한 비용 제약 조건은 실행 불가능한 솔루션을 신속하게 식별하게 하고, 느슨한 제약 조건은 최소 비용으로 최적화를 장려합니다. GPT-4.1, Claude-3.7-Sonnet, DeepSeek-R1과 같은 최고의 LLM을 CATS 플래너와 비교하여 비용에 민감한 시나리오에서 성능을 평가합니다. 실험 결과, GPT-4.1과 같은 기본 LLM은 엄격한 예산 하에서는 종종 실패하는 반면, CATS는 일관되게 높은 작업 성공률과 향상된 비용 효율성을 달성하여 강력한 성능을 제공합니다. 결론적으로 CATS는 LLM의 추론 능력과 구조적 탐색을 결합하여 예산 인식 의사 결정에 효과적인 솔루션을 제공합니다.
