본 논문은 다국어 대화 음성 언어 모델 챌린지(MLC-SLM)의 두 트랙(자동 음성 인식(ASR) 및 ASR을 이용한 화자 분리(SD-ASR))에 대한 Seewo의 시스템을 제시합니다. 음성 언어 모델의 추론 및 자기 수정 능력을 명시적으로 향상시키는 다단계 학습 파이프라인을 소개합니다. 이 방법은 점진적인 능력 습득을 위한 커리큘럼 학습, 중간 반성을 촉진하는 사고 연쇄(Chain-of-Thought) 데이터 증강, 그리고 보상 기반 최적화를 통해 자기 수정을 더욱 개선하는 검증 가능한 보상을 사용한 강화 학습(RLVR)을 결합합니다. 이 접근 방식은 공식 챌린지 기준선에 비해 상당한 개선을 달성합니다. 평가 세트에서 최고 시스템은 트랙 1에서 11.57%의 WER/CER을, 트랙 2에서 17.67%의 tcpWER/tcpCER을 달성합니다. 포괄적인 제거 연구는 챌린지 제약 조건 하에서 각 구성 요소의 효과를 보여줍니다.
