AI 요약 · 영어에서 AI 번역

Recursive Self-Improvement via On-Policy Distillation for Reasoning

Shangjian Yin, Zehao Zhao, Kavosh Asadi, Rui Liu, Yuchen Lu, Shike Mei, Hang Cui, Luke Simon, Zhouxing Shi, Hamed Firooz

arXiv:2609.30652v1cs.CL

TL;DR

동결된 특권 교사는 학생이 더 나은 수정을 학습하면서 점차 어긋날 수 있다. 논문은 갱신된 각 체크포인트를 바탕으로 특권 교사를 새로 갱신하는 Dynamic Co-Evolution과, 더 짧고 검증된 재작성으로 학습하는 Self-Refined Concise Learning을 결합한다. Qwen3-8B에서 DCE+SRCL은 65.97% Average@12를 달성했으며, OPSD의 30.35%와 비교된다.

  • 문제

    초기 체크포인트에서 동결된 특권 교사는 학생의 후속 학습 중 나타나는 수정 행동을 습득할 수 없으므로, 이후 학생 궤적에 대한 지침이 점차 어긋날 수 있다.

    출처: §1 · p. 2
  • 방법

    DCE는 갱신된 각 체크포인트를 바탕으로 정답 조건부 특권 교사를 분리된 상태로 새로 갱신하고, SRCL은 동일한 온폴리시 응답을 더 짧고 검증된 방식으로 다듬은 결과를 학습한다.

    출처: §1 · p. 2, §3.1 · p. 5
  • 결과

    65.97% Average@12: Qwen3-8B에서 DCE+SRCL이 달성한 성능으로, OPSD의 30.35%와 비교된다.

    출처: §5.1 · p. 8
  • 시사점 및 한계

    DCE와 SRCL을 함께 적용하면 다양한 모델 규모에서 더 강력하고 토큰 효율적인 재귀적 자기 개선을 이룬다.

    출처: §6 · p. 13

Abstract

from arXiv · show

On-policy distillation (OPD) trains a student model by having it generate trajectories, then matching its next-token predictions with an external teacher's next-token predictions. This provides dense, token-level supervision to the student. On-policy self-distillation (OPSD) eliminates the need for the external teacher. Specifically, a second frozen copy of the student model, now given the ground truth in its context, serves as the teacher. The student model only receives the problem and learns to mimic the privileged teacher model, while the teacher remains frozen throughout training. Previous work showed that freezing the teacher is useful for training stability, but we argue that this can prevent the teacher from incorporating the improvements learned by the student during training. Our primary contribution is to address this limitation with a recursive framework built around two complementary components. First, we let the privileged teacher co-evolve with the student so that revision learned in one round can guide the next, a process we refer to as Dynamic Co-Evolution (DCE). Second, because stronger revision can also make responses too verbose and self-critical, we additionally train on shorter, verified rewrites of the model's own on-policy responses. We call this complementary objective Self-Refined Concise Learning (SRCL). Overall, our comprehensive evaluations show that DCE+SRCL outperforms OPSD across multiple model scales and four competition-level mathematics benchmarks. Specifically, on Qwen3-8B, DCE+SRCL reaches 65.97% Average@12, outperforming OPSD by 35.62 percentage points while reducing mean output length by 7.80% relative to DCE alone.

1 서론

서론은 결과 보상만으로는 추론이 어디서 실패했는지 알 수 없고, 고정된 특권 교사는 변화하는 학생과 어긋날 수 있음을 지적하며, 수정 학습을 가르치는 토큰 수준의 지도를 동기화한다. 응답 길이를 조절하면서 수정을 강화하기 위해 Dynamic Co-Evolution (DCE)과 Self-Refined Concise Learning (SRCL)을 제안한다.

1 서론

  • 결과 보상은 시퀀스 수준의 정답 신호를 제공하지만, 추론이 어디서 잘못되었는지 또는 어떻게 수정해야 하는지는 알려주지 않는다.과정 감독은 더 국소적인 피드백을 제공하지만, 일반적으로 단계별 주석이나 별도로 학습한 검증기가 필요하다.출처: §1 · p. 1
  • 고정 궤적을 이용한 분석 결과, 고정된 교사는 잘못된 궤적에서 종료를 선호하는 반면 학생은 학습 중 성찰할 가능성이 커진다.고정된 교사는 잘못된 응답의 끝에서 EOS에 평균 94.5%의 확률을, 관찰된 성찰 단서에는 22.0%의 확률을 부여한다. 또한 해당 분석에서는 학생이 성찰할 가능성이 커지는 양상도 보고한다.출처: §1 · p. 2
  • SRCL은 DCE의 더 강한 수정 학습을 보완하고 불필요한 토큰 비용을 제한하기 위해, 동일한 온폴리시 응답을 짧게 다시 쓰고 답을 검증한 결과로 학습한다.서론은 더 잦은 확인과 되짚기가 추론을 길게 만들 수 있는 행동이라고 설명한다.출처: §1 · p. 2
  • DCE는 8B, 4B, 1.7B에서 각각 OPSD보다 Average@12를 35.41, 37.15, 12.98 percentage points 높인다.갱신된 각 체크포인트는 다음 학생과 분리된 골드 조건부 특권 교사의 초기값이 된다.출처: §1 · p. 2
  • 35.07% Average@12: 8K 평가 예산에서 DCE+SRCL은 OPSD의 테스트 시점 스케일링 대조군보다 6.60 percentage points 높은 성능을 보이며, 응답당 토큰 수는 약 692개 적다.응답당 평균 출력 길이는 7,500 tokens다.출처: §1 · p. 3

2 관련 연구

관련 연구에서는 오류 수정을 위한 결과 수준 감독의 한계를 설명하고, on-policy distillation과 특권 자기 증류를 비교하며, 자기 학습 및 추론 시점 스케일링 접근법 속에서 간결한 자기 개선의 위치를 살펴본다.

2.1 추론 후학습에서의 성찰과 검증

  • 결과 기반 후학습은 성찰과 유사한 행동을 이끌어낼 수 있지만, 보상은 완성된 응답에 점수를 매길 뿐 특정 오류를 찾아 수정하는 국소적 전이를 직접 감독하지 않는다.기존 연구 결과에 따르면 성찰은 기존 행동 사전분포일 수 있으며, 외부 피드백 없이는 오류를 안정적으로 바로잡지 못한다.출처: §2.1 · p. 3

2.2 On-Policy 및 특권 자기 증류

  • OPSD는 on-policy 학생 응답과 초기 체크포인트의 동결된 복사본을 사용하며, 이 특권 교사는 검증된 해답도 입력받는다.교사는 학생이 생성한 접두열을 따라 토큰 수준 지침을 제공한다. 표준 설정에서는 교사를 θ0에 고정하고 그래디언트를 주지 않는다.출처: §2.2 · pp. 3–4

2.3 자기 개선과 효율적 추론

  • SRCL은 모델 자체의 on-policy 응답을 더 짧고, 자연스럽게 종료되며, 구조적으로 타당하고, 정답인 재작성본만 남겨 DCE의 수정 지침을 보완한다.추론 시점 스케일링과 달리, SRCL은 후학습 중 모델을 바꾸어 단일 롤아웃에서 더 적은 토큰으로 올바른 추론을 보존한다.출처: §2.3 · p. 4

3 방법

이 방법은 재귀적 gold-conditioned distillation과 채택된 간결한 자기 개선을 결합하고, 각 공동 업데이트로 다음 라운드의 두 역할을 초기화한다.

3.1 동적 공진화

  • 각 라운드에서 student와 privileged teacher는 동일한 on-policy 접두 시퀀스를 평가한다. teacher는 검증된 풀이도 함께 보며, 업데이트된 체크포인트는 다음 라운드의 두 역할을 초기화한다.teacher의 그래디언트는 차단되지만, 체크포인트는 라운드 사이에 갱신된다.출처: §3.1 · pp. 4–5

3.2 자기 개선 간결 학습

  • SRCL은 동일한 체크포인트에 검증된 풀이 없이 각 응답을 다시 쓰게 하고, 정답을 포함하며 더 짧고 자연스럽게 끝나고 구조적으로 유효한 재작성만 남긴다.출처: §3.2 · p. 6
  • 채택된 재작성은 토큰 단위의 지도 학습 타깃이 된다. 미니배치에 채택된 개선 결과가 없으면 SRCL 손실을 생략하고 DCE만으로 모델을 업데이트한다.출처: §3.2 · p. 6

3.3 공동 최적화

  • 결합 목적함수는 DCE의 지침과 SRCL 타깃을 결합하며, λG와 λS가 두 항의 상대적 기여도를 조절한다.출처: §3.3 · p. 6

4 실험 설정

대회 수준 수학 벤치마크에서 Qwen3 모델과 모델 계열 간 Gemma 연구를 평가하고, 학습 기준선과 추론 시점 통제를 사용한다.

4.1 모델, 데이터, 평가 지표

  • AIME 2024, AIME 2025, AIME 2026, HMMT February 2025의 각 30개 문제에서 응답을 12개씩 평가한다.학습 데이터는 수학적 추론 문제 14,717개로 구성된 OpenThoughts이며, 연구에는 Qwen3-1.7B, 4B, 8B, 14B와 모델 계열 간 연구의 Gemma-4-12B-IT가 포함된다.출처: §4.1 · pp. 6–7

4.2 기준선 및 통제

  • 학습 비교에는 Base, SFT, GRPO, OPSD가 포함되며, OPSD-TTS는 생성 길이만 늘려도 DCE+SRCL의 성능 향상을 설명할 수 있는지 검증한다.OPSD-TTS는 모델 파라미터를 변경하지 않고 조기에 종료된 OPSD 응답을 정확히 8K 또는 16K 토큰 예산까지 이어서 생성한다.출처: §4.2 · p. 7

4.3 학습 절차

  • Qwen3 학습에는 AdamW, bfloat16, 5×10^-6 학습률, rank-128 LoRA, 학습 예제당 on-policy 응답 1개를 사용한다.모든 Qwen3 모델에서 DCE 손실 가중치는 5×10^4이며, 체크포인트는 10, 20, 30, 50, 100, 150, 200 중 평가 가능한 단계에서 평가한다.출처: §4.3 · pp. 7–8

5 결과

모델 규모와 평가 설정 전반에서 DCE+SRCL은 보고된 정확도를 높이고 대체로 출력을 짧게 유지하며, 학습된 수정 행동은 더 제한된 예산에서도 유효하다.

5.1 주요 실험 결과

  • Qwen3-8B에서 65.97% Average@12, Qwen3-4B에서 61.88%를 기록해 DCE+SRCL은 보고된 비추론 결과 중 가장 높은 성능을 보이며, OPSD의 30.35%와 22.85%를 앞선다.Qwen3-1.7B에서는 정확도가 23.33%에서 26.88%로 오르지만, 평균 출력 길이도 12,600토큰에서 19,504토큰으로 늘어난다.출처: Table 1 · p. 8, §5.1 · pp. 8–9

5.2 재귀적 개선은 Qwen3 외부에서도 전이되는가?

  • Gemma-4-12B-IT에서 DCE와 DCE+SRCL은 각각 62.01%와 63.61% Average@12를 기록해 모든 비-DCE 비교 대상보다 우수하다.SRCL은 평균 출력 길이를 8,812토큰에서 8,526토큰으로 줄이면서 1.60퍼센트포인트를 더한다.출처: §5.2 · pp. 9–10, Table 2 · p. 9

5.3 재귀적 자기 개선 과정에서 어떤 일이 일어나는가?

  • 잘못된 궤적의 세 코호트 전반에서 200단계까지 Student와 Teacher 모두 종료 시점의 p(EOS)는 낮아지고 관찰된 반성 단서의 확률은 높아진다.Student/Teacher의 거시 평균 p(EOS)는 초기화 시점의 92.6%/90.4%에서 26.3%/41.3%로 변하고, p(rt)는 30.1%/32.8%에서 77.0%/77.4%로 변한다.출처: §5.3 · p. 10, Figure 4 · p. 10

5.4 손실 가중치에 따라 성능은 어떻게 달라지는가?; 5.5 지도 목적은 성능에 어떤 영향을 미치는가?

  • 시험한 손실 가중치 전반에서 정확도는 국소적으로 안정적이지만 단조롭게 변하지 않는다. Forward KL은 Reverse KL과 JSD보다 우수하며, SRCL만 사용하면 DCE 없이 성능이 붕괴한다.Forward KL은 토큰 수 17,561개로 65.97%를 기록한다. Reverse KL은 토큰을 6,187개 더 사용하면서도 5.55포인트 낮다.출처: §5.4 · p. 11, §5.5 · pp. 11–12

5.6 특권 교사는 공진화해야 하는가?

  • 공진화하는 교사는 SRCL 적용 여부와 관계없이 8B와 4B 모두에서 고정된 교사보다 우수하며, 고정 설정은 초기에 잠시 개선된 뒤 성능이 후퇴한다.DCE는 교사 모델을 함께 진화시킬 때 65.76%와 60.00%를 기록한 반면, 동결할 때는 47.99%와 25.28%를 기록한다. DCE+SRCL은 각각 65.97%와 61.88%를 기록한 반면, 동결할 때는 41.04%와 27.29%를 기록한다.출처: §5.6 · p. 12, Figure 5 · p. 12

5.7 검증된 해답의 어떤 표현 방식이 더 효과적인가?

  • 검증된 해답을 사용자 쪽에 두는 대신 어시스턴트 쪽에 미리 입력하면 8B, 4B, 1.7B에서 Average가 각각 9.79, 6.39, 14.66포인트 향상된다.8B에서는 출력도 780토큰 짧다. 배치 위치만으로는 충분하지 않은데, 고정된 교사에서는 reference-last가 더 나은 성능을 보이기 때문이다.출처: §5.7 · p. 12, Table 5 · p. 12

5.8 제한된 추론 예산에서 방법은 어떤 성능을 보이는가?

  • 동일한 8K 및 16K 예산에서 Cue는 시험한 모든 DCE 설정의 성능을 높이면서 평균 출력을 약간 줄이는 반면, OPSD에 더 많은 토큰을 사용하도록 해도 효과가 없다.8K에서는 DCE+SRCL이 28.54%에서 35.07%로, 16K에서는 52.01%에서 57.64%로 오른다.출처: Table 6 · p. 13, §5.8 · p. 13

5.9 디코딩 하이퍼파라미터에 따라 성능은 얼마나 달라지는가?

  • 시험한 디코딩 설정 중 기본값에서는 temperature 1.0이 가장 높은 Average를 내며, repetition penalty 1.08은 토큰 수를 줄이면서 국소적으로 더 높은 67.15%를 기록한다.repetition penalty 설정은 토큰을 388개 덜 사용하면서 1.18포인트 향상한다. 주요 비교에는 기본 디코딩 설정을 유지한다.출처: §5.9 · p. 13

6 결론

DCE는 privileged self-distillation을 재귀적으로 수행하고, SRCL은 더 짧고 검증된 재작성 응답을 추가해 여러 모델 규모에서 재귀적 개선을 지원한다. Qwen3-14B도 초기에 큰 성능 향상을 보이지만, 이후 체크포인트에서는 출력 길이가 증가한다.

6 결론

  • DCE는 업데이트된 각 체크포인트를 다음 라운드의 student이자 분리된 teacher로 삼아, 한 라운드에서 학습한 수정이 다음 라운드의 supervision을 형성하게 한다.SRCL은 모델 자체 응답을 더 짧고 정답 검증된 형태로 재작성해 DCE를 보완한다.출처: §6 · p. 13
  • Table 7은 ρ = 1.0에서 temperature를, T = 1.0에서 repetition penalty를 바꾸며 Qwen3-8B의 정확도와 평균 토큰 수를 평가한다.캡션은 기본 설정과 각 행에서 가장 좋은 설정을 밝히지만, 이 대목에는 값이 제시되지 않는다.출처: Table 7 · p. 14

A 더 큰 모델에서도 재귀적 개선이 확장되는가?

  • step 30에서 Average 정확도는 66.39%로, Qwen3-14B 초기값보다 45.00 percentage points 높다. step 50에서도 65.21%를 유지하지만 평균 출력은 20,050 tokens로 늘어난다.개선은 네 벤치마크 모두에서 나타나며, AIME26은 19.44%에서 69.72%로 50.28 percentage points 상승한다.출처: A Does Recursive Improvement Scale to… · p. 17, Table 8 · p. 17

B Gemma-4-12B-IT 학습 세부 사항 및 추가 결과

추가 결과에서는 privileged context의 배치와 teacher 갱신 일정을 비교하고, Qwen3 궤적 및 SRCL 단독 결과도 제시한다. 어시스턴트 측 조건화와 완전 동적 갱신이 각 비교에서 우세하며, DCE 없이 적용한 SRCL은 정확도가 매우 낮다.

B Gemma-4-12B-IT 학습 세부 사항 및 추가 결과

  • Gemma-4-12B-IT에서 조건을 맞춘 DCE와 DCE+SRCL 실행은 나열된 학습 설정과 λG를 동일하게 유지하면서 목적 함수의 λS에서 차이를 보인다.두 실행은 동일한 14,717문제 OPSD 샤드, 어시스턴트 측 privileged conditioning, seed 42를 사용한 200-step LoRA 학습을 적용한다.출처: B Gemma-4-12B-IT Training Details and… · p. 17, Table 10 · p. 18
  • Gemma-4-12B-IT에서 어시스턴트 측 조건화의 63.61% Average@12는 사용자 측 reference-last의 55.76%와 사용자 측 instruction-last의 54.31%를 웃돈다.어시스턴트 측 실행은 100단계까지 계속 개선되는 반면, 두 사용자 측 변형은 10단계에서 관측된 최고 결과에 도달한다.출처: B Gemma-4-12B-IT Training Details and… · p. 17, Table 9 · p. 18

C Qwen3-8B와 Qwen3-4B의 전체 궤적

  • Tables 11 and 12에는 Qwen3-8B와 Qwen3-4B의 체크포인트별 Average@12 정확도와 평균 출력 길이가 제시되어 있으며, 값이 없는 항목은 평가하지 않은 체크포인트를 나타낸다.GRPO 열에는 이용 가능한 궤적이 제시되며, 조정된 기준선 비교는 table 1에 있다.출처: C Complete Qwen3-8B and Qwen3-4B… · p. 18, Table 11 · p. 18, Table 12 · p. 18
  • DCE 없는 SRCL은 Qwen3-8B에서 1,116토큰으로 최대 2.36%, Qwen3-4B에서 531토큰으로 0.76%에 그친다.이 절은 SRCL이 동적 안내와 결합될 때에만 간결성 목적 함수로 작동한다고 결론짓는다.출처: C Complete Qwen3-8B and Qwen3-4B… · p. 19

D Teacher 갱신 일정

  • 완전 동적 teacher를 사용한 65.97% Average@12와 17,561토큰은 보고된 Qwen3-8B 갱신 전략 중 전체적으로 가장 우수하다.EMA d = 0.3은 65.35%에 도달하고, 주기적 스냅샷은 최대 63.47%에 도달한다. 또한 각 일정에는 학습 궤적이 하나뿐이라고 절은 주의를 환기한다.출처: Table 13 · p. 19, D Teacher-Update Schedules · p. 20, Figure 6 · p. 20

E 특권 문맥 배치의 효과

배치 결과는 동적 교사와 동결 교사보다 동적 교사를, 특권 정보를 assistant 쪽에 조건화하는 방식을 지지한다. 위치별 프로브는 개입 강도와 고정된 정답 연속을 뒷받침하는 정도를 구분하지만, 해석은 프로브 설계의 한계를 벗어나지 않는다.

E 특권 문맥 배치의 효과

  • 모든 동적 배치 변형은 대응하는 동결 변형보다 성능이 높다. 동적 교사에서는 assistant 측 프리필이 가장 강하고, reference-last가 중간이며, instruction-last가 가장 약하다.동결 교사에서는 reference-last의 성능이 가장 좋지만 동적 변형들보다 훨씬 낮다.출처: E Effect of Privileged-Context Placement · p. 20, Table 16 · p. 21
  • 위치 1–32에서는 assistant 측 조건화의 KL/NLL이 가장 높고, 위치 32 이후에는 두 지표가 모두 가장 낮다. 이는 정답성보다는 고정된 연속에 대한 일치를 나타낸다.이 패턴은 경로 초기화와 부합하며, 동결 교사에서는 배치만으로는 충분하지 않다고 설명한다.출처: E Effect of Privileged-Context Placement · p. 21, Table 17 · p. 21
  • assistant 측 조건화의 KL은 0.1303에서 0.4371로, ΔNLL은 +0.0414에서 +0.6474로 상승한다. ΔNLL은 모든 체크포인트에서 가장 크다.KL은 개입 규모를 측정하고, ΔNLL은 특권 조건화가 고정된 정답 연속의 가능도를 높이는지 측정한다.출처: E Effect of Privileged-Context Placement · pp. 21–22, Table 18 · p. 21
  • 각 열이 별도로 학습된 모델에서 나온 값이므로, 배치 곡선만으로는 프롬프트 위치의 인과 효과를 분리할 수 없다.ΔNLL은 고정된 정답 궤적과의 정렬을 측정하며, 최종 답변 정확도나 모든 유효한 풀이 과정을 뒷받침하는 정도를 측정하지 않는다.출처: E Effect of Privileged-Context Placement · p. 22

F Qwen3-1.7B 학습 안정성

  • 1.7B에서는 DCE가 30단계, DCE+SRCL이 50단계에서 최고점을 찍은 뒤 둘 다 하락하므로, 이 규모에서는 조기 종료가 중요하다.Table 19는 비사고 모드, 32K, Average@12 평가에서의 체크포인트별 궤적을 보고한다.출처: F Qwen3-1.7B Training Stability · p. 22, Table 19 · p. 22

G 고정 궤적 프로브 값

  • 고정 궤적 프로브는 AIME24, AIME25, AIME26의 오답 응답 코호트를 대상으로 하며, AIME26에서 관측된 수정 사건은 583건이다.Figure 4는 종점 EOS 및 반성 단서 확률을 요약하며, table 20은 AIME26 값을 보고한다.출처: G Fixed-Trace Probe Values · p. 22, Table 20 · p. 23

H EOS-Penalty 절제 실험

EOS-Penalty 절제 실험은 SRCL의 대안으로 직접적인 종료 압력을 적용한다. 출력 길이는 줄지만, 보고된 정확도 손실은 간결하고 검증된 재작성으로 인한 손실보다 크다.

H EOS-Penalty 절제 실험

  • 절제 실험에서는 검증된 응답의 마지막으로 괄호가 균형을 이루는 boxed 수식 뒤를 잘라내고, answer judge가 정답으로 판정한 경우에만 이를 유지한다.손실은 조건을 충족하는 응답에 대해 평균을 내며, 해당 응답이 없으면 0으로 설정한다. 이는 SRCL의 대안으로 평가된다.출처: H EOS-Penalty Ablation · p. 23
  • Tables 21 and 22에는 과제별 EOS-Penalty 정확도와 평균 생성 토큰 수가 보고되어 있으며, 체크포인트별 Average@12 정확도와 출력 길이도 포함된다.표 캡션에는 측정 항목이 명시되어 있지만, 해당 구절에는 수치가 제시되지 않는다.출처: Table 21 · p. 23, Table 22 · p. 23
  • 8B에서 EOS Penalty는 DCE보다 2,979토큰 짧지만 정확도는 4.65포인트 낮으며, DCE+SRCL보다도 낮은 성능을 보인다.4B에서 EOS Penalty는 32.71%의 정확도와 7,169토큰을 기록한다.출처: H EOS-Penalty Ablation · p. 23, Table 21 · p. 23

I OPSD-TTS의 스케일 간 평가

정확히 8K 및 16K 출력 예산에서 OPSD-TTS는 강제 예산을 두 배로 늘려도 얻는 이득이 적으며, DCE보다 여전히 크게 뒤처진다.

I OPSD-TTS의 스케일 간 평가

  • 1.7B, 4B, 8B에서 강제 출력 예산을 두 배로 늘려 얻는 Average@12 점수는 각각 0.07, 1.05, 2.29에 불과하며, 결과는 여전히 DCE보다 크게 뒤처진다.이 비교는 생성량만 늘려서는 학습 과정에서 함께 진화하는 방식의 이점을 재현할 수 없음을 보여준다.출처: I Cross-Scale Evaluation of OPSD-TTS · p. 24, Table 23 · p. 24

J 재현성 세부 사항

주요 실험은 공통 학습 및 평가 설정을 사용하며, 4B 민감도 탐색에서는 guidance와 간결한 목표 학습 간의 균형점을 찾는다.

J 재현성 세부 사항

  • 실험에는 1.7B부터 14B까지의 Qwen3 모델, 14,717개의 OpenThoughts 문제, reference token과 유지된 on-policy prefix를 조건으로 하는 privileged branch를 사용한다.privileged branch를 통과하는 gradient는 차단하며, 주요 guidance objective는 Forward KL이다.출처: J Reproducibility Details · p. 24
  • 주요 Qwen3 DCE 최적화에는 AdamW, bfloat16, learning rate 5 × 10−6, batch size 16, gradient clipping, 8개의 H100 GPU에 걸친 rank-128 LoRA를 사용한다.표에는 주요 실험 전반에 사용된 설정이 요약되어 있으며, ablation에서 달라지는 설정은 별도로 명시한다.출처: J Reproducibility Details · pp. 24–25, Table 24 · p. 24
  • 평가에는 문제당 12개 샘플을 사용하는 30문제 벤치마크 4개, non-thinking 디코딩, 32K 생성 한도가 적용되며, 정확도는 검증된 최종 답변을 기준으로 계산한다.이 프로토콜에서는 총 1,440개의 응답을 생성하며, 토큰 수에는 prompt가 포함되지 않는다.출처: J Reproducibility Details · p. 25

K SRCL 가중치 민감도 추가 분석

  • λS = 35에서 61.88% Average@12를 달성하며, λS = 25보다 토큰을 3,148개 적게 사용하고 점수는 3.06점 높다. 더 큰 가중치에서는 정확도가 낮아진다.탐색 결과 λS = 35에서 토큰 수는 17,265개다.출처: K Additional SRCL-Weight Sensitivity · p. 25, Table 25 · p. 25

L 추가 벤치마크 결과

DCE+SRCL은 두 평가 규모 모두에서 세 가지 추가 벤치마크에서 OPSD를 앞선다. 함께 제시된 재작성 감사와 프롬프트 템플릿은 간결한 목표와 특권적 맥락을 구성하는 방식을 설명한다.

L 추가 벤치마크 결과

  • DCE+SRCL은 두 평가 규모 모두에서 세 가지 추가 벤치마크 전부에서 OPSD를 앞서며, AMC23에서 가장 큰 향상을 보인다. 정확도 향상은 대체로 더 긴 출력과 동반된다.더 넓은 과제에서 나타난 출력 길이 양상은 주요 벤치마크 묶음에서의 간결성 향상과 대조된다.출처: L Results on Additional Benchmarks · p. 25, Table 26 · p. 25

M SRCL 재작성 필터링 및 채택

  • Qwen3-8B 재작성 후보 3,200개 중 2,296개가 채택된다(71.75%). 채택된 목표 응답은 평균 1,997토큰인 원본 롤아웃보다 83.74% 짧다.Acceptance stays between 70.63% and 73.13% across four consecutive 50-step windows; rejected rewrites receive no SRCL loss, while their examples still receive DCE training.출처: M SRCL Rewrite Filtering and Acceptance · p. 26, Table 27 · p. 26
  • SRCL은 재작성 결과가 더 짧고, 자연스럽게 끝나며, 자체 완결적이고, 정답을 마지막에 박스 처리하는 등 구조적으로 타당할 때만 이를 채택한다.필터링 과정에서는 명시적인 수정 표현, 이어쓰기 조각, 과도한 반복도 제외한다. 최종 답 검증에서는 추출한 답과 정답을 비교한다.출처: M SRCL Rewrite Filtering and Acceptance · p. 26

N 프롬프트 템플릿

  • 특권 프롬프트 변형은 동일한 문제, 검증된 풀이, 전환 문구, 온폴리시 응답을 사용하고, 메시지 역할과 순서만 바꾼다. SRCL은 별도의 재작성 요청을 사용한다.배치 절제 실험에서는 과제 지시문 앞이나 뒤에 사용자 측 맥락을 배치하는 경우와 어시스턴트 측 맥락을 비교한다.출처: N Prompt Templates · p. 26, Figure 7 · p. 27
Loading 2609.30652v1…