본 논문은 언어 모델에 '숙고(pondering)' 과정을 도입하여 복잡한 문장 요소를 생성하기 전에 모델이 추가적인 처리 시간을 확보하고 더 깊은 인지적 처리를 가능하게 하는 방법을 제시합니다. 숙고 과정은 단일 토큰 생성 단계 내에서 순전파 과정을 반복적으로 호출하여 구현됩니다. 실제 토큰을 생성하는 대신, 모델은 예측된 토큰 분포에 따라 모든 토큰 임베딩의 가중 합을 생성하고, 이를 다시 입력으로 사용하여 순전파 과정을 반복합니다. 이러한 숙고 과정은 자기 지도 학습을 통해 학습되며, 추가적인 인간의 주석이 필요하지 않습니다. GPT-2, Pythia, LLaMA 등 다양한 언어 모델에 적용 가능하며, 실험 결과 매개변수 수가 두 배인 기존 모델과 비슷하거나 뛰어난 성능을 보였습니다. 특히, 숙고 과정을 적용한 Pythia 모델은 기존 모델보다 9개의 다운스트림 벤치마크에서 상당히 우수한 성능을 나타냈으며, Pythia-1B에 숙고 과정을 적용한 모델은 10배 더 많은 데이터로 학습된 TinyLlama-1.1B와 비슷한 성능을 달성했습니다.
