# Improving Reasoning Performance in Large Language Models via Representation Engineering

### 저자

Bertram H{\o}jer, Oliver Jarvis, Stefan Heinrich

### 개요

본 논문은 대규모 언어 모델(LLM)의 추론 능력 향상을 위한 표현 엔지니어링 접근법을 제시한다.  LLM의 잔차 스트림(residual stream)에서 활성화 값을 읽어 제어 벡터를 도출하고, 이를 모델에 적용하여 추론 시 모델의 표현 공간을 조절함으로써 특정 작업의 성능을 향상시킨다.  Mistral-7B-Instruct 및 다양한 Pythia 모델을 대상으로 귀납적, 연역적, 수학적 추론 과제에서 실험을 진행하여 제어 벡터를 통해 LLM의 추론 능력을 향상시킬 수 있음을 보였다.  추가적인 훈련 없이 잔차 스트림에 간단한 개입만으로 특정 과제의 성능을 향상시킬 수 있음을 보여주며,  LLM의 추론 성능을 다른 정보 처리 작업과 마찬가지로 조절할 수 있음을 시사한다.  제어 벡터 도출 및 모델 표현 분석을 위한 코드를 공개한다.

### 시사점, 한계점

- **시사점:**

    - LLM의 추론 능력을 추가 훈련 없이 향상시킬 수 있는 새로운 방법 제시.

    - 잔차 스트림 조작을 통한 LLM 제어 가능성을 실증적으로 입증.

    - KL divergence 및 entropy와 같은 지표를 활용하여 제어 벡터의 영향 분석 가능.

    - 다양한 LLM 모델과 추론 과제에 적용 가능성 확인.

    - 모델의 표현 공간 조절을 통한 추론 성능 개선 가능성 제시.

- **한계점:**

    - 모델의 이상적인 상태를 정확하게 추출하는 능력에 의존적임.

    - 제어 벡터의 효과는 과제의 종류 및 모델에 따라 다를 수 있음.

    - 제안된 방법의 일반화 성능에 대한 추가 연구 필요.

    - 제어 벡터 도출의 복잡성 및 계산 비용에 대한 고려 필요.

[PDF 보기](https://arxiv.org/pdf/2504.19483)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).