|잡돌쌤•2026-03-25•2분 소요

arXiv:2603.20267에서 제안한 DST는 ToT에 붙이는 플러그앤플레이 예측기예요

💡 한줄 요약|arXiv:2603.20267에서 제안한 DST는 ToT에 붙이는 플러그앤플레이 예측기예요.

ToT의 고질병이던 정확도-비용 트레이드오프를, 새 방식 DST가 계산량 최대 75% 절감으로 흔들었어요.

arXiv:2603.20267에서 제안한 DST는 ToT에 붙이는 플러그앤플레이 예측기예요. 기존처럼 무거운 LLM 자기평가나 고정 규칙 가지치기 대신, 가벼운 지도학습 휴리스틱으로 분기 탐색을 유연하게 조절하거든요.

핵심은 쉬운 단계에선 거의 그리디하게 빠르게 가고, 불확실하거나 복잡한 구간에서만 탐색 빔을 넓히는 점이에요. 수학 추론, 일반 추론, 복잡 논리 추론 벤치마크 전반에서 표준 ToT 포함 강한 베이스라인과 동급 이상 정확도를 보였고 계산 오버헤드는 26~75% 줄였어요.

결국 ToT를 “성능은 좋은데 비싼 기법”에서 “현실 배치 가능한 추론 패러다임”으로 바꿀 수 있다는 신호예요.

이 글이 어땠나요?

핵심은 거대한 코드를 한 번에 다루지 않고, factored POMDP로 작업을 쪼개서 각 단계마다 필요한 상태 변수만 보게 한 점이에요

핵심은 거대한 코드를 한 번에 다루지 않고, factored POMDP로 작업을 쪼개서 각 단계마다 필요한 상태 변수만 보게 한 점이에요.

잡돌쌤2분 소요

이 방법은 마르코프 전이 기반으로 추론 흐름을 확률적으로 모델링하고, Causal Delta Feature와 Jump Detection으로 위험이 급가속되는 지점을 찾아내요

이 방법은 마르코프 전이 기반으로 추론 흐름을 확률적으로 모델링하고, Causal Delta Feature와 Jump Detection으로 위험이 급가속되는 지점을 찾아내요.

잡돌쌤2분 소요

기존 LoRA는 랭크를 낮춰도 레이어 폭에 묶여 최소 업데이트가 크게 남는데, 예시로 Llama3-8B는 rank 1에서도 약 300만 파라미터가 필요했거든요

기존 LoRA는 랭크를 낮춰도 레이어 폭에 묶여 최소 업데이트가 크게 남는데, 예시로 Llama3-8B는 rank 1에서도 약 300만 파라미터가 필요했거든요.

잡돌쌤2분 소요

관련 글

핵심은 거대한 코드를 한 번에 다루지 않고, factored POMDP로 작업을 쪼개서 각 단계마다 필요한 상태 변수만 보게 한 점이에요

이 방법은 마르코프 전이 기반으로 추론 흐름을 확률적으로 모델링하고, Causal Delta Feature와 Jump Detection으로 위험이 급가속되는 지점을 찾아내요

기존 LoRA는 랭크를 낮춰도 레이어 폭에 묶여 최소 업데이트가 크게 남는데, 예시로 Llama3-8B는 rank 1에서도 약 300만 파라미터가 필요했거든요