연구진은 LLM의 추론 예산 배분 문제를 경제 원리에 기반한 최적화 문제로 정의했어요. 각 쿼리의 추론 유틸리티를 모델링하여 그림자 가격을 통해 자원 부족 상황에서 균형을 맞추는 최적 배분 정책을 제시했어요.
CLEAR(Constrained Latent-utility Equilibrium Allocation for Reasoning)는 불가능한 쿼리를 합리적으로 포기하고, 자원을 해결 가능한 쿼리에 재분배하는 방식이에요.
여러 추론 작업에서 실험 결과, CLEAR는 토큰 비용 대비 평균 정확도 측면에서 파레토 프론티어를 크게 개선하며, 자원 부족 환경에서 최대 3배의 정확도 향상을 달성했어요.