NeuReasoner: 추론 유도 경계의 이론 기반 매핑
NeuReasoner: Theory-grounded Mapping of Reasoning Elicitation Boundaries
대규모 언어 모델(LLM)의 추론 능력은 대부분 기반 모델에 잠재되어 있으며, 사후 학습(post-training)은 이를 도입하기보다 주로 증폭시킨다는 연구 결과가 축적되고 있다. 그러나 이러한 근거는 주로 수학 및 코딩 벤치마크에서 도출된 것으로, 해당 주장의 경계 조건, 즉 어떤 인지 과제가 유도(elicitation)를 통해 복원 가능하고 어디서 복원에 실패하는지는 아직 충분히 탐구되지 않았다. 이를 규명하기 위해 우리는 이론 기반 유도 도구인 NeuReasoner를 제안한다. 각 단계에서 오케스트레이터는 기능 특정성(functional specificity)에서 영감을 받은 Neuro Lens와 추론의 에로테틱 이론(Erotetic Theory of Reasoning)에서 도출한 Cognitive Lens를 결합하고, 외부 도구 없이 단일 모델의 내부 모듈화를 통해 두 출력을 통합한다. 우리는 NeuReasoner를 인지심리학의 행동 과제 모음인 CogBench와 표준 수학 및 코딩 벤치마크에서 평가하며, 기본 추론(vanilla inference) 대비 성능 향상과 모델의 사후 학습된 사고 모드(thinking mode)에 얼마나 근접하는지를 측정한다. 충분한 규모에서 NeuReasoner는 산술 추론, 코드 생성, 베이즈 추론, 보상 학습에서 사고 모드 기준선과 동등하거나 이를 초과하며, 이러한 성능 향상은 NeuReasoner의 결정당 호출 예산에 맞춘 자기 일관성(self-consistency) 및 반복 정제(iterative-refinement) 기준선에 대해서도 유지된다. NeuReasoner를 활용함으로써 명확한 경계를 발견할 수 있었다: 불확실성 하의 위험 감수 및 의사 결정은 유도만으로는 복원이 여전히 어렵고, 모델 규모는 유도와 양방향으로 상호작용하여 일부 인지 특성에서는 유도의 이점을 확대하고 다른 특성에서는 소멸시킨다. 전반적으로, NeuReasoner를 모듈식·해석 가능한 이론 기반 유도 도구로 활용하여, 기존 주장이 의존해온 수학 및 코딩 벤치마크를 넘어 추론 유도가 성공하고 실패하는 지점을 실증적으로 매핑한다.