추론은 대형 언어 모델(LLMs)에서 정확도를 지속적으로 향상시키지만, 정밀도에 민감한 작업에서의 적합성은 명확하지 않았다. 이 연구는 엄격한 낮은 거짓 양성율(FPR) 조건 하에서 분류 작업에 대한 추론의 체계적인 연구를 제시한다. 안전 탐지와 환각 탐지 두 가지 작업을 다루면서, 표준 LLMs와 대형 추론 모델(LRMs)을 사용해 세밀 조정 및 제로샷 설정에서 평가했다. 결과는 Think On(추론 보강) 생성이 정확도를 향상시키지만 재현율을 희생시키는 명확한 트레이드오프를 보여준다. 추론은 안전 탐지와 환각 탐지와 같이 정밀도에 민감한 작업에 있어서도 중요하나, 일부 상황에서 재현율을 희생시킬 수 있다는 점을 강조한다.

<Apple 뉴스 본문 전체읽기>