LLM 추론을 '표면 chain-of-thought'가 아닌 '잠재 상태 궤적(latent-state trajectory) 형성'으로 연구해야 한다는 입장 논문. 신뢰성·해석성·추론 벤치마크·추론시 개입에 관한 주장 모두 추론의 주요 대상을 무엇으로 보느냐에 따라 달라진다. H1(잠재 상태 궤적 매개), H2(표면 CoT 매개), H0(일반 직렬 연산) 3개 가설을 대조 검증하고 현재 증거가 H1을 가장 강하게 뒷받침한다고 결론. 잠재 상태 역학을 기본 연구 대상으로 삼고 표면·잠재·연산 예산을 분리한 평가 설계를 제안.
- •LLM 추론 = 잠재 상태 궤적 형성 (H1 가설)
- •H1(잠재)/H2(CoT)/H0(연산) 3가설 대조 검증
- •현재 증거는 H1을 가장 강하게 지지
- •연구 대상 재정립 제안: 잠재 상태 역학
- •표면·잠재·연산 예산 분리 평가 설계 권고
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
LLM Reasoning Is Latent, Not the Chain of Thought
- 1.LLM 추론 연구의 주요 대상을 잠재 상태로 재정립
- 2.Chain-of-thought 해석성 연구의 전제 재검토
- 3.추론 벤치마크 설계 방향 전환 권고
왜 중요한가?
CoT 해석성·추론 벤치마크·추론시 개입 등 AI 안전·평가 전 분야가 '추론이 무엇인가'의 정의에 기반. 이 입장 논문은 분야의 기본 전제를 흔드는 주장.
본문 미리보기
arXiv:2604.15726v1 Announce Type: new Abstract: This position paper argues that large language model (LLM) reasoning should be studied as latent-state trajectory formation rather than as faithful surface chain-of-thought (CoT). This matters because claims about faithfulness, interpretability, reasoning benchmarks, and inference-time intervention all depend on what the field takes the primary object of reasoning to be. We ask what that object should be once three often-confounded factors are sep
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:32AI 초안
