자기회귀(AR) 모델의 지역적 탐욕성과 확산 언어모델(DLM)의 인과 구조 부족이라는 각각의 한계를 극복하기 위해, 추론을 제약된 잠재 공간 최적화로 재구성한 프레임워크 CaLR(Causal Latent Revision)이 제안됐다. CaLR은 전문가 모델에서 얻은 인과 위상 행렬(CTM)과 암묵적 미분을 이용해 그래디언트 기반 '사고 수정'을 수행함으로써, 병렬 생성 중 중간 단계의 논리적 일관성을 강제하고 동적 자기 수정을 가능케 한다. 실험 결과 CaLR은 복잡한 벤치마크에서 최신 DLM 성능을 달성해 강력한 AR 기준선을 능가했으며, 스도쿠 같은 제약 조건 과제에서 특히 뛰어난 견고성을 보였다.

• •AR 모델의 지역적 탐욕성과 DLM의 인과 구조 부족을 동시에 보완하는 CaLR 프레임워크
• •인과 위상 행렬(CTM)과 암묵적 미분으로 그래디언트 기반 '사고 수정' 수행
• •병렬 생성 중 중간 단계의 논리적 일관성을 강제해 동적 자기 수정 가능
• •복잡한 벤치마크에서 SOTA DLM 성능 달성, AR 기준선 능가
• •스도쿠 등 제약 조건 과제에서 뛰어난 견고성 확인