AI 요약 · 영어에서 AI 번역

DeepSearch: Overcome the Bottleneck of Reinforcement Learning with Verifiable Rewards via Monte Carlo Tree Search

Fang Wu, Weihao Xuan, Heli Qi, Ximing Lu, Aaron Tu, Li Erran Li, Yejin Choi

arXiv:2509.25454v4cs.AIcs.CL

TL;DR

희소한 rollout은 추론 경로 탐색을 제한해 RLVR 학습의 정체를 초래할 수 있다. DeepSearch는 MCTS를 RLVR 학습에 통합해 체계적으로 탐색하고 추론 단계별로 credit을 할당한다. 수학 추론 벤치마크에서 평균 정확도 62.95%를 기록했으며 GPU 시간은 5.7× 적게 사용했다.

  • 문제

    RLVR 방식은 학습 중 희소한 rollout에 의존하며, 학습을 연장해도 수천 단계 이후 정체될 수 있어 해 공간을 체계적으로 탐색하기 어렵다.

    출처: §1 · p. 1
  • 방법

    DeepSearch는 MCTS를 RLVR 학습에 통합하고, 전역 frontier 선택, entropy 기반 지도, 해를 캐시한 replay buffer를 결합한다.

    출처: §1 · p. 2, §4.2 · p. 6
  • 결과

    수학 추론 벤치마크에서 평균 정확도 62.95%를 기록해 1.5B 모델의 새로운 state of the art를 달성했으며, GPU 시간을 5.7× 적게 사용했다.

    출처: §6 · p. 10
  • 시사점 및 한계

    결과는 학습 중 체계적인 탐색이 단순히 학습 시간을 늘리는 것보다 많은 경우 더 큰 성능 향상을 가져올 수 있음을 시사한다.

    출처: §6 · p. 10

    이 연구는 수학 추론에 초점을 맞췄으며, 서로 다른 검증 메커니즘을 가진 분야로 DeepSearch를 확장하는 일은 향후 과제로 남아 있다.

    출처: LIMITATIONS AND FUTURE WORK · p. 26

Abstract

from arXiv · show

Although RLVR has become an essential component for developing advanced reasoning skills in language models, contemporary studies have documented training plateaus after thousands of optimization steps, i.e., notable decreases in performance gains despite increased computational investment. This limitation stems from the sparse exploration patterns inherent in current RLVR practices, where models rely on limited rollouts that often miss critical reasoning paths and fail to provide systematic coverage of the solution space. We present DeepSearch, a framework that integrates Monte Carlo Tree Search (MCTS) directly into RLVR training. In contrast to existing methods that rely on tree search only at inference, DeepSearch embeds structured search into the training loop, enabling systematic exploration and fine-grained credit assignment across reasoning steps. Through training-time exploration, DeepSearch addresses the fundamental bottleneck of insufficient exploration, which leads to diminishing performance gains over prolonged training. Our contributions include: (1) a global frontier selection strategy that prioritizes promising nodes across the search tree, (2) selection with entropy-based guidance that identifies confident paths for supervision, and (3) adaptive replay buffer training with solution caching for efficiency. Experiments on mathematical reasoning benchmarks show that DeepSearch achieves an average accuracy of 62.95\% and establishes a new state-of-the-art reasoning model, while using 5.7x fewer GPU hours than extended training approaches. These results highlight the importance of strategic exploration over brute-force scaling and demonstrate the promise of algorithmic innovation for advancing RLVR methodologies. DeepSearch establishes a new direction for scaling reasoning capabilities through systematic search rather than prolonged computation.

1 서론

DeepSearch는 희소한 탐색과 장기 학습의 성능 정체를 해결하기 위해 RLVR 학습에 구조적 탐색을 통합한다. 1.5B 모델에서 수학 추론 정확도 최고 성능을 보고하면서 GPU 시간은 더 적게 사용한다.

1 서론

  • RLVR 학습은 희소한 탐색으로 제약되며, 장기 학습에서도 수천 단계 이후 성능 정체가 나타났다.서론에서는 학습 단계만 단순히 늘리는 것으로 RLVR의 잠재력을 충분히 실현할 수 있는지 의문을 제기한다.출처: §1 · pp. 1–2
  • DeepSearch는 Monte Carlo Tree Search를 RLVR 학습에 통합하고, 체계적 탐색을 통해 정답과 직접 롤아웃을 넘어서는 감독 신호를 제공한다.이 프레임워크는 학습 깊이를 확장하는 데서 학습 폭을 넓히는 방향으로 초점을 전환한다.출처: §1 · p. 2
  • 주요 혁신은 전역 프런티어 선택, 확신도가 높은 오답 경로를 고르는 엔트로피 기반 선택, 검증된 해답을 캐시하는 리플레이 버퍼다.리플레이 전략은 어려운 문제를 선별하고 학습 반복 간 중복 계산을 피한다.출처: §1 · p. 2
  • 수학 추론 벤치마크에서 평균 정확도 62.95%를 기록해 1.5B 추론 모델의 새로운 최고 성능을 달성했으며, GPU 시간은 5.7× 더 적게 사용한다.논문은 이를 기존 접근법보다 효과적이고 실용적인 결과로 제시한다.출처: §1 · p. 2
  • 논문은 RLVR 확장을 위해 학습 중 체계적 탐색을 장기 학습의 대안으로 제시하며, 그 적용 가능성이 수학 추론을 넘어선다고 본다.추론 시점에 기대되는 정교한 추론을 모방하도록 학습을 구조화해야 한다고 주장한다.출처: §1 · p. 2

2 관련 연구

기존 연구는 추론 시점의 탐색과 직접 rollout을 이용한 RLVR 학습을 다루지만, 탐색을 RLVR 학습에 통합하는 연구는 거의 이루어지지 않았다. MCTS는 폭넓게 활용되어 왔지만, RLVR 학습 중 효과적으로 사용하는 방법은 명확하지 않다.

탐색 기반 추론

  • 대부분의 탐색 기반 추론 프레임워크는 추론 시점에 여러 해법 경로를 탐색하지만, 탐색과 학습의 공동 최적화는 아직 거의 연구되지 않았다 [23].이러한 프레임워크는 정책 모델, 보상 모델, MCTS와 beam search를 포함한 탐색 알고리즘을 결합한다.출처: §2 · p. 3

검증 가능한 보상을 통한 강화 학습

  • RLVR 확장 기법은 학습 안정성과 효율성을 높이지만, 주로 직접 rollout을 사용하므로 해법 공간을 체계적으로 탐색하는 데 제약이 생길 수 있다 [24].출처: §2 · p. 3

Monte Carlo Tree Search

  • MCTS는 게임, 로보틱스, 정리 증명 등 여러 분야에 적용되어 왔지만, RLVR 학습 중 효과적으로 사용하는 방법은 여전히 명확하지 않다 [25].출처: §2 · p. 3

3 MCTS를 활용한 DEEPSEARCH

DeepSearch는 MCTS로 단계별 추론 트리를 구축하고, 종료 해답을 검증한 뒤 궤적 점수를 역전파한다. 엔트로피 기반 선택과 로컬·글로벌 하이브리드 탐색 전략으로 탐색과 감독 신호를 유도한다.

3 MCTS를 활용한 DEEPSEARCH

  • DeepSearch는 질문에서 단계별 MCTS 트리를 구축하고, policy가 생성한 중간 단계와 종료 궤적을 따라 부여된 q-value를 사용한다.궤적은 정답, 오답 또는 미완성 해답으로 끝날 수 있다.출처: §3 · p. 3

3.1 엔트로피 기반 가이드를 통한 확장

  • 확장 단계에서 policy는 종료 답변이나 깊이 한도에 도달할 때까지 후보 추론 단계를 생성하며, 이후 검증을 통해 감독에 사용할 엔트로피가 가장 낮은 오답 궤적을 선택한다.논문은 가장 확신도 높은 오답 궤적을 선택하는 방식이 여러 벤치마크에서 무작위 선택 및 확신도가 가장 낮은 궤적 선택보다 우수하다고 보고한다.출처: §3.1 · pp. 3–4

3.2 휴리스틱 점수 역전파

  • 점수 역전파에서는 노드 q-value를 0으로 초기화하고 깊이에 따른 감쇠를 적용해 종료 보상을 전파한다. 제약된 업데이트는 정답 경로의 양수 점수를 유지하면서 오답이나 미완성 결과에는 페널티를 준다.종료 보상은 정답에 +1, 오답 또는 미완성 해답에 −1이다.출처: §3.2 · p. 4

3.3 하이브리드 선택 전략

  • 하이브리드 전략은 형제 노드 간 로컬 비교에 UCT를 사용하고, 서브트리 전반에 탐색을 분산하기 위해 글로벌 프런티어 선택을 수행한다. 프런티어 우선순위에는 부모 노드의 품질, policy 엔트로피, 깊이가 반영된다.저자들은 이 조합이 UCT의 근시안을 완화하고, 중복 순회를 방지하며, 탐색 범위를 넓힌다고 설명한다.출처: §3.3 · pp. 4–5

4 리플레이 버퍼를 활용한 적응형 학습 전략

적응형 학습 전략은 어려운 문제에 비용이 큰 MCTS를 집중하고, 발견한 해답을 재생해 학습 진전을 유지한다. Tree-GRPO는 정규화된 q-value와 노드 수준 이점을 사용해 트리 구조의 추론 궤적으로 학습한다.

4 적응형 학습 전략과 리플레이 버퍼

  • 모든 예제에 MCTS를 적용하는 것은 계산상 불가능하므로, 반복 필터링과 재생을 통해 어려운 문제에 탐색을 집중하고 이미 푼 문제는 유지한다.출처: §4 · p. 5

4.1 점진적 필터링을 통한 반복 학습

  • 각 단계가 끝날 때마다 어려운 부분집합에서 정책을 재평가하고, 성공률이 충분하지 않은 문제는 25% 기준에 따라 후속 학습 대상으로 남긴다.초기 부분집합은 전체 학습 세트에서 직접 rollout을 평가해 구성하며, 문제마다 해답 4개를 샘플링한다.출처: §4.1 · pp. 5–6

4.2 캐시된 해답을 활용한 리플레이 버퍼

  • 캐시된 정답 궤적을 새로운 직접 rollout과 결합하고, 캐시에 없는 문제에는 전체 MCTS를 적용해 중복 탐색을 피하고 해답을 보존한다.깨진 텍스트나 무한 반복이 포함된 오답 샘플은 제거한다.출처: §4.2 · p. 6

4.3 Tree-GRPO 학습 목적 함수

  • Tree-GRPO는 q-value 정규화와 정책 최적화를 결합해 트리 구조의 추론 궤적으로 학습한다.목적 함수에는 응답 길이에 대한 4096-token 페널티를 적용하고 KL 정규화는 제거한다.출처: §4.3 · pp. 6–7
  • Soft clipping은 그래디언트와 노드 간 상대적 순서를 유지하면서 중간 노드의 q-value를 [−qmax, qmax]로 제한한다.종단 노드의 q-value는 그대로 두며, 중간 노드 값 중 약 5% 미만이 포화 구간에 놓인다.출처: §4.3 · pp. 6–7
  • 노드 수준 이점은 각 노드의 q-value를 트리의 평균 종단 보상과 비교해 계산하므로, 추론 단계 전반에 걸쳐 더 세밀한 credit assignment가 가능하다.모든 노드에 종단 결과 보상을 사용하면 Tree-GRPO는 vanilla DAPO로 환원된다.출처: §4.3 · p. 7

5 실험

DeepSearch는 수학 벤치마크 평균 정확도에서 기존 최고 성능의 1.5B 모델을 앞서며, 장시간 학습보다 훨씬 적은 GPU 시간을 사용한다. 절제 실험과 학습 동역학 결과를 통해 전역 탐색, 깊이 안내, 궤적 선택이 제안 방식에 기여하는 바를 살펴본다.

5.2 학습 효율 분석

  • 325회의 추가 학습 단계로 61.78% 정확도를 326.4 GPU 시간에 달성한 반면, 1,875단계에서는 1,883.2 GPU 시간을 사용하고도 정확도가 62.02%에 그쳤다.저자들은 이러한 장시간 학습의 성능 향상을 수확 체감으로 설명한다. Figure 2는 3K RLVR 학습 후 AIME 2024, AIME 2025, AMC 2023의 평균 성능을 평가 표식 및 선형 추세와 함께 나타낸다.출처: §5.2 · pp. 7–8, Figure 2 · p. 8

5.1 벤치마크 성능 평가

  • 평균 정확도 62.95%를 기록한 DeepSearch-1.5B는 6개 수학 벤치마크에서 기존 최고 모델인 Nemotron-Research-Reasoning-Qwen-1.5B v2의 61.70%를 앞선다.주목할 만한 향상은 AIME 2024(53.65% vs 51.77%)와 AMC(90.39% vs 88.83%)에서 나타난다.출처: §5.1 · p. 7, Table 1 · p. 8

5.2 학습 효율 분석

  • 330 GPU 시간으로 정확도 62.95%를 달성한 DeepSearch는 가장 많은 자원을 사용한 기준 모델(1,883.2 GPU 시간)보다 자원 사용량을 5.7× 줄였다.논문은 이 비교에서 DeepSearch에 50회의 추가 학습 단계를 사용했다고 보고한다. 장시간 학습은 1,875단계와 1,883.2 GPU 시간 후 62.02%에 도달했다.출처: Table 2 · p. 8, §5.2 · p. 8
  • 3K RLVR 학습 이후 DAPO는 완만한 기울기로 점진적으로 향상되는 반면, DeepSearch는 20시간 동안 구조화된 탐색을 통해 더 효율적으로 학습한다.저자들은 수렴 결과의 비교가 학습 시간만이 아니라 탐색의 질이 병목임을 시사한다고 해석한다.출처: Figure 2 · p. 8, §5.2 · p. 8

5.3 탐색 전략 절제 실험

  • 전역 프런티어 선택은 vanilla UCT 대비 반복 횟수를 10.4% 줄이고(209.6 → 187.7), 궤적 보상을 높인다(−0.82 → −0.65). 깊이와 엔트로피는 비슷하다.비교에는 난도가 매우 높은 DeepMath-103K 문제에서 추출한 1.2K개 샘플을 사용한다.출처: Table 3 · p. 9, §5.3 · p. 9
  • 선형 깊이 보너스는 트리당 시간을 59% 줄이지만(1179.6s → 480.9s) 해답 품질을 낮춘다. 제곱근 보너스는 −0.65 보상을 유지하는 반면, 불확실성 가중치는 엔트로피를 1.23에서 1.31로 높인다.불확실성 보너스는 계산량 변동성도 유발하며, 반복 횟수는 92.5 ± 22.5이다.출처: §5.3 · p. 9

5.4 알고리즘 발전과 구성 요소별 기여

  • 결과 기반 어드밴티지는 더 안정적인 크레딧 할당을 제공하고, 노드 수준 어드밴티지는 개별 추론 단계에 초점을 맞춘다. 평균만 사용하는 정규화는 안정적인 스케일링을 유지하면서 GRPO의 보정 오류를 다룬다.절제 실험에서는 전역 프런티어 선택이 단일 구성 요소 중 가장 큰 향상을 보였으며, 각 구성 요소도 최종 성능에 유의미하게 기여한다.출처: §5.4 · pp. 9–10
  • 엔트로피가 가장 낮은 오답 궤적을 선택할 때 평균 성능이 가장 높다. 무작위 선택보다 +0.86, 신뢰도가 가장 낮은 궤적을 선택하는 방식보다 +1.05 높으며, 모든 벤치마크에서 향상을 보인다.비교에서는 궤적 평균 엔트로피가 낮을수록 모델이 자신의 오답을 더 확신하는 것으로 본다.출처: Table 5 · p. 10, §5.4 · p. 10

6 결론

DeepSearch는 탐색 병목을 해결하기 위해 RLVR 학습에 트리 기반 탐색을 통합한다. 수학 추론 벤치마크에서 1.5B 모델은 평균 정확도 62.95%를 기록했으며, GPU 사용 시간은 5.7× 적었다.

6 결론

  • 수학 추론 벤치마크에서 평균 정확도 62.95%를 기록해 1.5B 모델의 새로운 최고 성능을 달성했으며, GPU 사용 시간은 5.7× 적었다.비교 대상은 학습을 연장한 접근법이다.출처: §6 · p. 10
  • DeepSearch는 성능 정체와 관련된 탐색 병목을 해결하기 위해 RLVR 학습에 트리 기반 탐색을 통합한다.출처: §6 · p. 10
  • 결론에서는 학습 중 체계적인 탐색이 많은 경우 학습 시간만 늘리는 것보다 더 큰 성과를 낼 수 있다고 주장한다.이는 계산을 더 많이 투입하는 데만 의존하지 않고 알고리즘 혁신을 통해 학습 탐색의 폭을 넓히는 접근으로 설명한다.출처: §6 · p. 10

A 실험 세부 사항

실험에서는 DeepSearch 학습에 veRL을 사용하고, 평가에는 더 큰 H100 클러스터를 사용한다. 학습에는 지정된 프롬프트와 시퀀스 길이 제한, 동적 배칭을 적용한 DeepMath-103K를 사용한다.

A 실험 세부 사항

  • DeepSearch는 veRL로 구현했으며, H100 GPU 16개로 학습하고 실제 소요 시간을 줄이기 위해 H100 GPU 128개 클러스터에서 평가한다.정책은 Nemotron-Research-Reasoning-Qwen-1.5B v2에서 시작하며, 비교를 위해 동일한 초기화와 학습 설정을 적용한 DAPO 기반 장기 학습을 수행한다.출처: §A.1 · p. 15

A.1 학습 데이터 및 설정

  • 학습에는 DeepMath-103K와 단계별 프롬프트 템플릿을 사용하며, 프롬프트는 2,048 토큰으로 자르고 응답은 16,384 토큰으로 제한한다.출처: §A.1 · p. 15
  • 전역 배치 크기 256개 샘플에 DAPO 방식의 Dynamic Batching을 적용해 메모리 활용도와 학습 효율을 높인다.출처: §A.1 · p. 15

A.2 몬테카를로 트리 탐색 구현

부록에서는 DeepSearch의 탐색, 최적화, 샘플링 및 학습 설정을 명시한 뒤, 깊이 상한, 확장 길이, 비대칭 q-value 백업의 근거를 설명한다.

A.2 몬테카를로 트리 탐색 구현

  • 전역 프런티어 선택과 깊이 기반 보너스로 백트래킹을 수행하고, 의사결정 확신도의 대리 지표로 샘플링된 응답 토큰에서 엔트로피를 추정한다.최대 깊이는 64, 노드당 토큰 수는 256, 확장 자식 수는 8로 설정하고, UCT 국소 선택에는 λ = 2.0을 사용한다.출처: §A.2 · p. 15

A.3 어드밴티지 추정 및 최적화

  • 어드밴티지 추정에는 형제 노드 평균 정규화를 적용한 GRPO를 사용한다. q-value는 소프트 클리핑하고, 미완결 궤적에는 −1.0을 부여하며, 표준편차 정규화는 비활성화한다.액터는 AdamW를 사용하며, 학습률은 1 × 10^-6, 워밍업은 10스텝, 가중치 감쇠는 0.1, 그래디언트 클리핑은 1.0으로 설정한다.출처: §A.3 · p. 15

A.4 샘플링 및 보상 설정

  • 롤아웃은 온도 1.0으로 프롬프트당 8개 샘플을 생성하고, 평가는 온도 0.6으로 수행한다. 보상은 최종 답안의 박스 표기 내용을 정답과 대조해 산출한다.채점 로직은 veRL의 DAPO 정규화를 따르며, 최대 16,384토큰의 응답을 지원한다.출처: §A.4 · p. 16

A.5 학습 프로토콜

  • 학습은 100스텝 동안 진행하며, 모델 체크포인트는 5스텝마다 저장한다.출처: §A.5 · p. 16

B.1 최대 깊이 및 확장 길이

  • 16,384토큰의 롤아웃 예산과 256토큰 확장을 고려하면 깊이 상한은 약 64스텝이며, DeepMath-103K의 거의 모든 추론 체인을 포괄한다.많은 궤적이 더 일찍 종료되므로 이 상한은 최대치다. 이는 모델링 요구사항과 학습 효율성 사이의 절충으로 제시된다.출처: §B.1 · p. 16
  • 최대 깊이 64레벨은 16,384토큰의 롤아웃 예산과 256토큰의 노드 확장에서 도출된다. 256토큰은 탐색 범위, 안정성, 효율성 사이의 균형을 이룬다.확장 길이가 길면 트리 폭이 줄어들고, 짧으면 접두부 재인코딩 비용이 커져 MCTS 탐색에서 GPU 시간의 상당 부분을 차지한다.출처: §B.1 · p. 16

B.2 비대칭 q-value 백업 규칙의 근거

  • 비대칭 백업은 정답 궤적에서 한 번이라도 관찰된 노드의 q-value를 음수가 아닌 값으로 유지하고, 정답 궤적에서 한 번도 관찰되지 않은 노드만 안정적인 음수 값을 누적할 수 있게 한다.같은 부호의 증거는 깊이에 따른 감쇠를 적용해 누적된다. 음수에서 양수로 전환되면 음수 값은 덮어쓰이며, 양수 노드는 이후의 음수 신호로부터 보호된다.출처: §B.2 · p. 17

B.3 적응형 학습 중 캐시된 문제와 미해결 문제의 변화

적응형 학습 라운드가 진행되면서 MCTS는 검증된 해를 replay buffer에 추가하고, 계산을 남은 더 어려운 문제로 이동시킨다. 파이프라인은 다음 어려운 문제 집합을 선택할 때 고정 성공률 임계값을 사용한다.

B.3 EVOLUTION OF CACHED VS. UNSOLVED PROBLEMS DURING ADAPTIVE TRAINING

  • By Round 5, one-third of the hard subset has at least one cached solution, while unsolved problems contract to extremely difficult tail cases.The cached proportion increases as MCTS uncovers verifiable solution paths and problems move from the unsolved pool into the replay buffer.출처: §B.3 · p. 17

B.4 고정 필터링 임계값 δ를 선택한 이유

  • 각 라운드에서는 Pass1@4 성공률이 δ = 25% 미만인 문제를 다음 어려운 문제 집합에 남겨, 이미 학습된 문제는 걸러내고 도전적인 사례는 유지한다.출처: §B.4 · p. 17
  • 저자들은 일정과 하이퍼파라미터를 추가하지 않고 MCTS 기반 탐색의 기여를 명확히 하기 위해 고정 임계값을 사용한다.적응형 임계값 설정은 향후 연구 방향으로 남겨두고, 본 연구에서는 고정된 어려운 샘플 선택 규칙으로 성능 향상을 보인다.출처: §B.4 · p. 18

C 연산 프로파일링

DeepSearch 프로파일링 결과, 트리별 실행 시간의 대부분은 GPU 정책 추론이 차지하며, 프레임워크는 MCTS 탐색과 적응형 학습, 해답 캐싱을 결합한다.

C 연산 프로파일링

  • tgenerate의 1060.76 ms는 트리별 연산의 99% 이상을 차지하며, CPU 측 연산에는 몇 밀리초만 소요된다.프로파일링 표는 구성 요소별 시간을 밀리초 단위의 평균 ± 표준편차로 보고한다.출처: Table 7 · p. 18, C COMPUTATION PROFILING · p. 18

D DeepSearch 의사코드

  • Algorithm 1은 MCTS 기반 탐색과 적응형 학습을 통합해 어려운 문제에 점진적으로 자원을 배분하는 한편, 캐싱을 통해 이전에 해결한 해답을 보존한다.이 프레임워크는 결과 기반 지도학습에만 의존하지 않고 정답 해답과 체계적 탐색을 활용해 학습한다.출처: D PSEUDOCODE OF DEEPSEARCH · p. 18
  • 캐시된 문제의 경우 의사코드는 캐시된 해답과 직접 롤아웃을 결합하고, 캐시되지 않은 문제에는 전체 MCTS 탐색을 수행한다.의사코드에는 프런티어 선택, 종료 상태 평가, 리플레이 버퍼 갱신도 포함된다.출처: D PSEUDOCODE OF DEEPSEARCH · p. 19

E 정성적 사례 연구

수학 벤치마크의 대표 사례 6개를 통해 DeepSearch-1.5B와 Nemotron-Research-Reasoning-Qwen-1.5B v2를 비교하고, 망설임, 오류 수정, 답변 신뢰도의 차이를 보여준다.

E 정성적 사례 연구

  • 사례 연구에서는 망설임 양상, 오류 수정, 최종 답변의 신뢰도를 보여주기 위해 여러 데이터셋의 추론 과정을 일부 축약해 제시한다.비교에는 원래 질문과 모델이 생성한 추론 과정이 포함된다.출처: E QUALITATIVE CASE STUDIES · p. 20
  • 6개 사례에서 DeepSearch-1.5B는 더 짧고 안정적인 추론으로 정답을 도출하는 반면, Nemotron은 망설임을 반복하는 경우가 많고 때로는 오답으로 끝난다.사례는 서로 다른 문제 유형과 데이터셋을 다룬다.출처: E QUALITATIVE CASE STUDIES · p. 20
  • 기호 논리 사례에서 Nemotron은 망설임 표식을 천 개 넘게 생성하는 반면, DeepSearch는 토큰을 두 자릿수 배 적게 사용하면서 정답에 도달한다.이 사례의 DeepSearch 추론 과정은 대수적 일관성을 유지한다.출처: E QUALITATIVE CASE STUDIES · p. 20

한계와 향후 연구

저자들은 DeepSearch를 현재의 수학 추론 설정 너머로 확장하기 위한 방향으로 더 폭넓은 도메인과 학습된 탐색 유도를 제시한다.

한계와 향후 연구

  • DeepSearch를 수학 추론 너머로 확장하려면 서로 다른 검증 메커니즘을 가진 도메인에 대한 연구가 필요하다.주관적 과제에는 근사 검증기를, 복잡한 추론 체인에는 인간 참여형 검증을 적용하는 방향을 제안한다.출처: LIMITATIONS AND FUTURE WORK · p. 26
  • 프레임워크의 적용 범위를 넓히기 위해 전이 학습과 도메인에 구애받지 않는 보상 및 검증 전략을 제안한다.저자들은 수학 추론 능력을 더 폭넓은 문제 해결 과제에 활용하는 방안도 제안한다.출처: LIMITATIONS AND FUTURE WORK · p. 26
  • 프런티어 우선순위 함수와 확장 폭은 여전히 고정된 휴리스틱이며, 탐색 유도를 학습 가능하게 만들려면 다른 학습 패러다임이 필요하다.저자들은 탐색과 정책을 공동 최적화하는 AlphaZero 스타일의 컨트롤러를 살펴볼 것을 제안한다.출처: LIMITATIONS AND FUTURE WORK · p. 26
Loading 2509.25454v4…