# \#dr-llm **URL:** https://discuss.pytorch.kr/tag/dr-llm/5832.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [\[2025/10/27 ~ 11/02\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2025-10-27-11-02-ai-ml/8104)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [11월 2, 2025, 9:30오후 UTC](https://discuss.pytorch.kr/t/2025-10-27-11-02-ai-ml/8104 "2025-11-02T21:30:47Z")
\[2025/10/27 ~ 11/02\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: :one: 추론 모델의 한계: 최근 연구들은 대규모 언어 모델(LLM)이 복잡한 추론 문제에서 한계를 보인다는 사실을 강조하고 있습니다. 특히, 기존 벤치마크의 복잡성이 제한적임을 보여주며, 새로운 데이터셋인 Deep Reasoning Dataset(DeepRD)을 통해 모델의 성능을 평가하고 있습니다. 이는 LLM의 성능이 실제로는 특정 복잡도 범위 내에서만 유효하다는 점을 부각시킵니다. :two: 효율적인 모델 라우팅: 여러 모델을 활용한 효율적인 라우팅 기법이 주목받고 있습니다. Lookahead와 Dr.LLM과 같은 연구들은 입력 쿼리에 따라 가장 적합한 모델을 선택하는 방법을 제안하며, 이를 통해 응답 생성 과정에서의 맥락을 고려한 보다 정교한 라우팅을 가능하게 합니다. 이러한 접근은 복잡하거나 모호한 쿼리에 대한 성능을 개선하는 데 기여하고 있습니다. :three: 계층적 의사결정 통합: ReCode와 같은 연구는 고수준의 계획과 저수준의 행동을 통합하여 의사결정의 유연성을 높이는 방법을 제안합니다. 이 방식은 계획과 행동 간의 경계를 허물어, 모델이 다양한 결정의 세분화 수준을 동적으로 조절할 수 있도록 합니다. 이를 통해 모델의 데이터 효율성과 추론 성능이 크게 향상되는 결과를 보여주고 있습니다. 추론 모델은 잘 추론하지만, 한계를 드러낸다 / Reasoning Models Reason Well, Until They Don't 논문 소개 대규모 언어 모델(LLMs)은 최근 몇 년 동안 추론 작업에서 상당한 발전을 이루었으나, 복잡한 문제에 대한 성능 저하가 문제로 지적되고 있다. 이러한 한계를 극복하기 위해 본 연구에서는 대규모 추론 모델(LRMs)을 제안하며, 이 모델은 단계별 논증과 자기 검증을 위한 인센티브로 파인튜닝된 LLM이다. LRM은 NL…