대규모 언어모델은 알고 있는 사실을 답에 끌어오는 능력과 여러 전제를 논리적으로 조합하는 능력을 동시에 요구받는다. 그러나 지식이 중요한 문제에서는 추론 과정이 사실을 놓치고, 형식적 추론이 중요한 문제에서는 지식 중심 접근이 조합을 방해할 수 있다. 연구진은 이를 ‘조합-지식 이분법’으로 정의하고, 질문에 필요한 명제를 먼저 구체화하는 Concretized Proposition Prompting을 제안했다. 모델이 곧바로 답을 생성하기 전에 어떤 사실과 관계가 문제 해결에 필요한지를 명시적인 명제 단위로 정돈하게 하는 방식이다.
이 방법의 목적은 생각 과정을 무작정 길게 만드는 데 있지 않다. 질문 속 개념을 모호한 연상 상태로 두지 않고, 답을 지지하거나 배제하는 문장 수준의 전제로 바꿔 논리적 연결의 재료를 마련한다. 연구진은 정확한 도메인 지식이 중요한 의료 벤치마크에서 추론 성능이 뚜렷하게 향상됐고, 연역적 조작이 중심인 수학 벤치마크에서도 경쟁력 있는 결과를 얻었다고 보고한다. 다양한 기반 모델과 매개변수 규모에 적용할 수 있는지도 실험해 특정 모델에만 맞춘 요령이 아니라 일반적인 프롬프팅 틀로서의 가능성을 살폈다.
검색 증강 생성과의 결합은 논문이 검증한 결과가 아니라 후속 응용 아이디어로 볼 수 있다. 검색 결과를 그대로 문맥에 쌓는 대신 질문과 직접 연결되는 명제를 추출하고 서로 충돌하는 근거를 분리한 뒤 추론에 넣는 방안을 생각할 수 있다. 다만 명제의 구체화가 잘못되면 이후 과정 전체가 그 오류를 정교하게 확대할 수 있다. 의료처럼 위험이 큰 영역에서는 명제마다 출처를 연결하고 누락 여부를 점검하는 절차가 함께 필요하다. 이 연구는 추론 모델의 성능을 토큰 수나 반복 계산만으로 설명하지 않고, 지식이 논리 구조에 들어가는 표현 단계를 설계 대상으로 삼았다는 데 의미가 있다.
원문: arXiv 2607.08018
저작권자 © STORIUM 무단전재 및 재배포 금지
