제한된 계산 자원을 가진 장치에 배포된 저용량 로컬 모델에서는 문서에 대한 수치적 추론이 어렵다. 복잡한 추론 질의는 GPT-4와 같은 강력한 원격 모델로 라우팅될 수 있지만, 로컬 데이터를 노출시키는 것은 심각한 데이터 유출 문제를 야기한다. 기존의 완화 방법은 원격 지원을 위한 문제 설명이나 예시를 생성하지만, 수치적 추론의 복잡성으로 인해 로컬 모델이 논리적으로 동등한 질의를 생성하고 원격 지침으로 정확하게 답을 추론하는 데 어려움이 있다. 본 논문에서는 두 가지 핵심 혁신, 즉 (1) 논리적 일관성을 유지하면서 질의 영역을 전환하는 상황 인식 합성 전략과 (2) 코드 조각을 사용하여 원격 생성된 문제 해결 패턴을 재사용하는 도구 기반 답변 재구성 접근 방식을 갖춘 모델 공동 작업 프레임워크를 제시한다. 실험 결과에 따르면, 본 방법은 로컬 모델만 사용하는 것보다 더 나은 추론 정확도를 달성하는 동시에 원격 모델에 전적으로 의존하는 것보다 더 강력한 데이터 보호를 제공한다. 또한, 기존의 데이터 보호 접근 방식과 비교하여 정확도는 16.2%43.6% 향상되고 데이터 유출은 2.3%44.6% 감소한다.
