이 연구는 LRM의 반성 마커(wait, but, alternatively)를 한 덩어리로 보지 않고 역할별로 나눠 분석했어요

PathCal이라는 새 디코딩 기법이 추론 정확도는 유지하거나 높이면서 출력 길이를 줄였어요.

이 연구는 LRM의 반성 마커(wait, but, alternatively)를 한 덩어리로 보지 않고 역할별로 나눠 분석했어요. 마커 종류마다 정확도와 생성 길이에 미치는 영향이 달랐고, 특히 모델이 안정된 추론 경로에 들어가기 전 구간에서 영향이 가장 컸거든요.

PathCal은 학습 없이 디코딩 단계에서만 작동해요. 매 스텝마다 마커 분포로 현재 경로 유지와 분기 시도의 경쟁을 추정하고, 분기 신호가 과하면 마커 로짓을 부드럽게 재조정해요. 6개 벤치마크에서 외부 검증기나 추가 샘플링 없이 효율-성능 균형을 개선했다는 점이 시사점이에요.