대형 추론 모델(LRM)은 다단계 사고연쇄(CoT)로 문제 해결력을 향상시키지만 추론 지연과 계산 비용이 크다. 이를 완화하기 위한 소형 추론 모델(SRM)·LRM 협업 패러다임에서 SRM 실패 탐지·완화는 핵심 과제다. 저자들은 SRM 추론을 텍스트 및 은닉 상태 공간에서 분석해 과신·불확실성·과도한 재검증이라는 세 가지 실패 양상을 식별했다. 이를 바탕으로 텐서 랭크 신호 기반 라우팅과 스티어링을 결합한 RankGuide 프레임워크를 제안해 SRM 실패 시 LRM을 선택적으로 호출하고 SRM 생성 품질을 개선했다. 다중 추론 벤치마크 실험에서 RankGuide는 LRM 대비 최대 1.75배의 지연 감소와 경쟁력 있는 정확도를 동시에 달성했다.

• •SRM 실패 양상을 과신·불확실성·과도한 재검증 세 가지로 분류
• •텐서 랭크 신호 기반 라우팅으로 LRM 선택적 호출
• •텐서 랭크 필터링 스티어링 벡터로 SRM 추론 궤적 조정
• •다중 추론 벤치마크에서 LRM 대비 최대 1.75배 지연 감소
• •지연 감소와 정확도 유지를 동시에 달성한 SRM-LRM 협업 효율 향상