Reasoning While Asking: Transforming Reasoning Large Language Models from Passive Solvers to Proactive Inquirers

작성자

Haebom

카테고리

Empty

저자

Xin Chen, Feng Jiang, Yiqian Zhang, Hardy Chen, Shuo Yan, Wenya Xie, Min Yang, Shujian Huang

💡 개요

본 논문은 기존의 '맹목적 자기 사고' 패러다임에 갇혀 정보 부족 또는 모호함에도 불구하고 불필요한 추론을 수행하는 LLM의 한계를 지적합니다. 이를 해결하기 위해, 추론 과정에 명확화 단계를 통합하여 LLM을 수동적인 문제 해결사에서 능동적인 탐구자로 변모시키는 '능동적 상호작용 추론(PIR)'이라는 새로운 패러다임을 제안합니다. PIR은 사용자 직접 상호작용을 통해 전제 및 의도 수준의 불확실성을 해결함으로써, 기존 지식 불확실성 해결 방식과는 차별화됩니다.

🔑 시사점 및 한계

•

LLM이 단순히 정보를 처리하는 것을 넘어, 필요한 정보를 능동적으로 탐색하고 명확화하는 능동적 추론 능력을 갖출 수 있음을 보여줍니다.

•

사용자 의도를 파악하고 이에 맞춰 불확실성을 해소하는 방식으로 추론을 진행함으로써, LLM의 정확성과 효율성을 크게 향상시킬 수 있습니다.

•

제안된 PIR 방법론은 수학적 추론, 코드 생성, 문서 편집 등 다양한 태스크에서 기존 최신 기법 대비 우수한 성능을 보였습니다.

•

사용자 시뮬레이터 기반의 정책 최적화 프레임워크는 모델의 행동을 사용자 의도에 맞게 정렬하는 데 효과적입니다.

•

불필요한 추론 계산량과 상호작용 횟수를 절반 가까이 줄여 LLM의 자원 효율성을 높였습니다.

•

또한, 사실 지식, 질의응답, 정보 부족 시나리오 등에서도 PIR의 강력한 일반화 및 강건성을 확인했습니다.

•

하지만 사용자 시뮬레이터의 한계와 실제 사용자 상호작용의 복잡성을 완전히 반영하기 어렵다는 점이 한계로 작용할 수 있으며, 향후 실제 사용자들과의 더욱 정교한 상호작용 방안 연구가 필요합니다.

PDF 보기

Made with Slashpage