대형 추론 모델의 Chain-of-Thought 생성에서 불필요한 구조적 중복('과사고') 문제를 세그먼트 수준에서 선택적으로 제거하는 SLAT(Segment-Level Adaptive Trimming) 강화학습 프레임워크를 제안했다. 기존 토큰 균일 길이 패널티가 유용한 추론까지 억제하는 문제를 해결하기 위해, 정확도-길이 트레이드오프 목표 하에서 세그먼트 비최적성을 이론적으로 특성화하고 고확률·저한계효용 세그먼트를 선택적으로 억제한다. 표준 벤치마크에서 비압축 베이스라인 대비 추론 길이를 50% 줄이면서 경쟁력 있는 정확도를 유지하는 우수한 정확도-효율성 파레토 프론티어를 달성했다. 이는 이론 기반 세그먼트 인식 트리밍이 효율적 CoT 추론을 위한 유망한 방향임을 보여준다.

• •SLAT는 고확률·저한계효용 세그먼트를 이론적 기준으로 선택해 제거하며, 기존 토큰 균일 패널티보다 유용한 추론을 보존하면서 중복만 제거한다.
• •표준 벤치마크에서 추론 길이를 50% 줄이면서 경쟁력 있는 정확도를 유지하는 우수한 정확도-효율성 파레토 프론티어를 달성했다.
• •정확도-길이 트레이드오프 목표 하에서 세그먼트 비최적성을 이론적으로 특성화한 최초의 세그먼트 인식 추론 트리밍 방법이다.