연구진은 LLM 추론 과정의 효율성과 제어 가능성을 높이는 ACTS(Agentic Chain-of-Thought Steering)를 제안했어요. ACTS는 컨트롤러 에이전트가 추론 과정에서 전략과 구문을 조절하여 토큰 사용을 최적화하고 추론 길이 제어 가능성을 높여요.
기존 방식이 추론 과정을 단순화하는 데 집중한 반면, ACTS는 마르코프 결정 프로세스 기반으로 컨트롤러 에이전트가 추론 과정을 능동적으로 스티어링하여 예산 제약 하에 효율적인 추론을 가능하게 해요.
다양한 벤치마크 실험 결과, ACTS는 전체 추론 성능과 유사한 결과를 얻으면서도 토큰 사용량을 크게 절약하고, 다양한 추론 모델과 작업에서 정확도와 효율성 간의 균형을 맞출 수 있음을 입증했어요.