프론티어 추론 모델이 문제를 풀 능력을 갖추고도 성급한 자기 의심 때문에 실패하는 현상, 이른바 '컨텍스트 불안(context anxiety)'을 처음으로 체계적으로 분석한 연구다. 저자들은 이 현상이 상당 부분 모델이 과제를 끝내는 데 필요한 토큰 수를 정확히 추정하지 못하는 데서 비롯된다고 밝혔다. 또 모델이 컨텍스트 제약을 받고 있다고 스스로 인식할 때 실질적인 효율 손실이 발생함을 보였다. 반면 모델이 컨텍스트 불안 없이 장기 과제를 푸는 대안 전략을 학습할 수 있다는 점도 확인했다. 즉 성능 향상이 모델 능력의 확장이 아니라 자기 한계를 정확히 평가하고 적응하는 능력을 개선하는 데서 나올 수 있다는 함의다.

• •추론 모델의 실패가 능력 부족이 아니라 성급한 자기 의심 때문일 수 있다는 점을 처음으로 체계화했다.
• •원인의 일부는 과제 완료에 필요한 토큰 수를 정확히 예측하지 못하는 능력 부족이다.
• •제약을 인지한 상태에서 작동할 때 실질적인 효율 손실이 발생한다.
• •모델은 컨텍스트 불안 없이 장기 과제를 푸는 대안 전략을 학습할 수 있음을 보였다.
• •스케일링보다 자기 한계 평가·적응 능력 개선이 성능 향상 경로가 될 수 있다는 함의다.