연구진은 LLM의 단계별 추론 성능을 향상시키는 REVES(REvision and VErification) 프레임워크를 제안했어요.
REVES는 성공적인 회복 경로에서 중간 단계의 오류를 수정 및 검증 프롬프트로 분리하여 모델이 효과적인 답변 변환과 오류 식별을 학습하도록 돕는 방식이에요.
LiveCodeBench에서 RL 기반 방식보다 6.5점, 일반적인 다단계 훈련 방식보다 4.0점의 성능 향상을 보였으며, 원소 배치 문제에서 가장 작은 모델(4B)로 SOTA 결과를 달성했어요.