Chain-of-thought (CoT) prompting은 대형 언어 모델(Large Language Models, LLMs)로부터 추론과 유사한 응답을 유도하기 위한 표준 기법으로 인정받고 있다. 이 기법은 LLM이 최종 답변을 제시하기 전에 각각의 단계를 적어내는 것을 허용함으로써, 인간과 유사한 추론 능력을 나타내기도 한다. 그러나 CoT 추론의 성공을 이끄는 주요 요인은 여전히 불분명한 상태이다. 이 연구에서는 경쟁 수준의 수학 문제에서 유래한 CoT 트레이스를 깊이 분석하여, CoT의 어떤 부분이 최종 답변에 기여하는지에 대해 더 잘 이해하고자 한다. 이를 위해, CoT 추론의 성능과 특성을 규명하기 위한 새로운 방법론을 제안하고, 수학 문제 해결 과정에서의 CoT의 역할을 밝히기 위한 실험을 수행한다. 이를 통해 CoT의 추론 능력을 향상시키고, LLM의 추론 과정을 더 잘 이해할 수 있는 통찰을 제공할 것으로 기대된다.

<Apple 뉴스 본문 전체읽기>