# \#recode

**URL:** https://discuss.pytorch.kr/tag/recode/5820.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)

<div class="topic-metadata">

**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")

</div>

\[2025/10/27 ~ 11/02\] 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…

---

## [ReCode: 재귀적 코드 생성을 통해 계획과 실행을 통합하는 에이전트 설계 패러다임에 대한 연구](https://discuss.pytorch.kr/t/recode/8103)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [11월 2, 2025, 3:30오전 UTC](https://discuss.pytorch.kr/t/recode/8103 "2025-11-02T03:30:44Z")

</div>

ReCode (Recursive Code Generation) 소개 실제 세계에서의 문제 해결은 단일 수준의 의사결정으로 구성되어 있지 않습니다. 우리는 높은 수준의 전략적 계획부터 구체적인 행동 단계에 이르기까지 다양한 입자 수준(granularity)의 사고를 유기적으로 연결하며 문제를 해결합니다. 예를 들어, “점심을 준비하자”라는 계획은 “재료를 꺼내고”, “재료를 썰고”, “요리를 하자”와 같은 세부 계획을 거쳐, 결국 “칼을 들어”, “냉장고 문을 열고”, “프라이팬을 켠다”는 식의 구체적인 행동으로 이어집니다. 이러한 과정은 사람이 자연스럽게 수행하는 반면, 기존의 AI 시스템, 특히 LLM 기반의 에이전트는 이처럼 고수준의 계획(Planning) 과 저수준의 실행(Action) 수준의 추론을 자유롭게 넘나드는 데 한계가 있었습니다. 기존의 많은 대규모 언어 모델(LLM) 기반의 AI 에이전트(Agent) 구조는 대개 고수준 계획을 수립하는 플래너(Planner)와 저수준의 행동을 실행하는 실행기(Executor)를 엄격하게 분리하거나, 단순한 행동 반복 기반의 체계로 구성돼 있었습니다. 즉, “계획 → 실행” 혹은 “실행만”의 루프를 별도로 설계해 두는 경우가 많습니다. 이 경우, 환경 변화에 따른 적응성이 떨어지고, 일반화 능력 또한 제한되는 문제가 발생합니다. 특히 새로운 과제나 복잡한 태스크가 주어졌을 때, 에이전트는 “계획”만 하거나 “행동”만 하면서 진정한 문제 해결 능력을 보여주지 못하는 경우가 많습니다. ReCode(Recursive Code Generation) 는 이러한 한계를 극복하기 위해 제안된 AI 에이전트 설계 패러다임입니다. ReCode는 기존의 이분법적인 계획/실행 체계를 넘어, 하나의 일관된 코드 표현 내에서 계획과 행동을 통합하여 표현합니다. 구체적으로, 고수준의 계획은 추상적인 ‘함수 호출’ 형태로 나타내고, 이를 재귀적으로 더 구체적인 하위 함수 또는 원시 행동 호출로 확장해 나가는 방식입니다. 이 구조…
