연구진은 LLM의 few-shot 유도 추론 성능을 강화하는 Hourglass 추론 방식을 소개했어요. Hourglass 추론은 추론 단계를 구조적으로 분리하여 정보가 압축된 기호 상태로만 전달되도록 강제해요. ARC-AGI-2 벤치마크에서 Hourglass 추론은 best-of-5 정확도를 최대 14포인트 향상시켰어요.
ChipBench 벤치마크에서는 GPT-5.5를 사용하여 Verilog 합성 정확도를 31%에서 58%로 거의 두 배로 높였어요. BBEH-Linguini 벤치마크에서는 Gemini 3.1 Pro를 사용하여 명시적 언어화의 부정적인 영향을 완화했어요.
Hourglass 추론은 초기 유도 품질과 단계 간 분리가 성능 향상의 핵심임을 확인했어요. 정보 흐름이 LLM의 유도 추론을 주도한다는 것을 보여주는 결과예요.