본 논문은 대규모 언어 모델(LLM)의 그래프 관련 작업 능력이 제한적이라는 점을 지적하며, 이를 개선하기 위한 새로운 접근법 G1을 제시합니다. G1은 합성 그래프 이론적 작업에 대한 강화 학습(RL)을 통해 LLM의 그래프 추론 능력을 크게 향상시킵니다. 이를 위해, 다양한 난이도의 50개 그래프 이론적 작업과 10만 개의 훈련 데이터 및 5천 개의 테스트 데이터로 구성된 대규모 그래프 추론 데이터셋 Erdős를 구축했습니다. G1은 RL을 통해 훈련된 3B 모델이 Qwen2.5-72B-Instruct 모델보다 우수한 성능을 보이며, 새로운 작업, 도메인, 그래프 인코딩 방식에 대한 제로샷 일반화 능력도 뛰어나다는 것을 보여줍니다. 본 연구는 RL을 이용한 합성 데이터 기반의 LLM 미세조정이 효율적이고 확장 가능한 강력한 그래프 추론 모델 구축 방안임을 시사합니다. 소스 코드와 데이터셋은 공개적으로 제공됩니다.
