본 논문은 대규모 추론 모델의 효율성과 효과성 간의 균형 문제를 해결하기 위해 AdaCtrl 프레임워크를 제안합니다. AdaCtrl은 문제의 난이도를 자체적으로 평가하여 추론 길이를 동적으로 조절하고, 사용자가 추론 깊이를 수동으로 제어할 수 있도록 합니다. 이는 난이도 인식 능력을 부여하는 초기 미세조정 단계와 강화학습(RL)을 통한 적응적 추론 전략 개선 및 난이도 평가 보정 단계로 구성된 2단계 학습 파이프라인을 통해 구현됩니다. 사용자 인터페이스로는 길이 기반 태그를 사용하여 직관적인 제어를 가능하게 합니다. 실험 결과, AdaCtrl은 기존 방식 대비 성능 향상과 응답 길이 감소를 달성했습니다. 특히, 복잡한 추론이 필요한 AIME2024, AIME2025 데이터셋에서는 각각 10.06%, 12.14%의 응답 길이 감소를, 간결한 응답으로 충분한 MATH500, GSM8K 데이터셋에서는 각각 62.05%, 91.04%의 응답 길이 감소를 보였습니다.
