3.0 KiB
3.0 KiB
id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by
| id | title | category | status | canonical_id | aliases | duplicate_of | source_trust_level | confidence_score | tags | raw_sources | last_reinforced | github_commit | inferred_by | |||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| wiki-2026-0508-test-time-compute-scaling-추론-시간- | Test Time Compute Scaling (추론 시간 계산 스케일링) | 10_Wiki/Topics | needs_review | self |
|
none | A | 0.97 |
|
2026-04-20 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
Test-Time Compute Scaling (추론 시간 계산 스케일링)
📌 한 줄 통찰 (The Karpathy Summary)
"모델이 크지 않아도, 더 오래 생각하게 하면 더 똑똑해진다." 훈련 단계의 스케일링을 넘어, 추론(Inference) 시에 더 많은 연산 자원(사고 단계)을 투입하여 정답률을 높이는 새로운 패러다임이다.
📖 구조화된 지식 (Synthesized Content)
- The Concept:
- 기존에는 모델의 크기(파라미터 수)가 지능을 결정한다고 믿었으나, OpenAI o1 등 최신 모델은 답변 전 'Self-Correction'과 추론 과정을 늘리는 것만으로도 거대 모델을 압도할 수 있음을 증명함.
- Methods:
- Chain-of-Thought (CoT): 중간 과정을 길게 생성.
- Search (MCTS): 여러 대안 답변을 탐색하고 평가하여 최적의 경로 선택.
- Verification: 생성된 결과를 스스로 검증하고 틀렸으면 다시 시도.
- Inference Law: 훈련 시 자원이 부족해도 추론 시 계산량을 늘림으로써 성능 한계를 돌파할 수 있다.
⚠️ 모순 및 업데이트 (Contradictions & Updates)
- 추론 시간 계산량이 늘어나면 비용(Latency)이 기하급수적으로 증가한다. 실시간 채팅에는 부적합할 수 있으므로, '빠른 직관(System 1)'과 '신중한 사고(System 2)'를 구분하여 과제 난이도에 따라 자원을 배분하는 효율화가 핵심 과제다.
🔗 지식 연결 (Graph)
- Related: Chain-of-Thought (CoT 사고 사슬) , Monte Carlo Tree Search (MCTS)
- Origin: OpenAI-o1
🤖 LLM 활용 힌트 (How to Use This Knowledge)
언제 이 지식을 쓰는가:
- (TODO)
언제 쓰면 안 되는가:
- (TODO)
🧪 검증 상태 (Validation)
- 정보 상태: needs_review
- 출처 신뢰도: A
- 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)
🧬 중복 검사 (Duplicate Check)
- 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
- 처리 방식: UPDATE (자동 정규화)
- 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|---|---|---|---|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |