LLM으로 추론하는 법 배우기
OpenAI o1을 소개합니다. o1은 복잡한 추론을 수행할 수 있도록 강화 학습으로 훈련된 새로운 대규모 언어 모델입니다. o1은 대답하기 전에 먼저 생각합니다. 사용자에게 응답하기 전에 내부적으로 오랫동안 생각의 흐름을 이어갈 수 있습니다.
OpenAI o1은 프로그래밍 대회 질문(Codeforces)에서 89번째 백분위수에 랭크되었고, USA Math Olympiad(AIME) 예선 통과자 중 미국 내 상위 500위 안에 들었으며 물리학, 생물학, 화학 문제에 대한 벤치마크(GPQA)에서 PhD 학위자 수준의 정확도를 뛰어넘었습니다. 이 새로운 모델을 기존의 모델처럼 쉽게 사용할 수 있게 만들려는 노력은 여전히 계속되고 있지만, GhatGPT에서 바로 사용할 수 있도록 이 모델의 초기 버전인 OpenAI o1‑preview를 신뢰할 수 있는 API 사용자(새 창에서 열기)에게 공개합니다.
OpenAI의 대규모 강화 학습 알고리즘은 데이터 효율성이 매우 높은 훈련 과정에서 이 모델이 생각의 흐름을 사용하여 생산적으로 생각하는 방법을 가르칩니다. 강화 학습을 늘리고(훈련 시간 컴퓨팅) 생각을 더 오래 할수록(테스트 시간 컴퓨팅) o1의 성능이 일관적으로 향상하는 것이 확인되었습니다. 이 접근 방식을 확장하는 데 있어 제약은 LLM 사전 훈련의 제약과 크게 다르며, OpenAI는 이러한 제약 사항을 계속해서 조사하고 있습니다.

훈련 시간 컴퓨팅 및 테스트 시간 컴퓨팅이 늘어날수록 o1 성능이 완만하게 향상됩니다.
GPT‑4o 대비 개선된 추론 성능을 강조하기 위해 OpenAI는 사람이 응시한 다양한 시험과 ML 벤치마크를 기준으로 모델들을 테스트했습니다. 이렇게 추론이 많이 필요한 작업의 대부분에서 o1이 GPT‑4o의 성능을 크게 뛰어넘는 것으로 나타났습니다. 달리 명시되지 않은 한, 최대한의 테스트 시간 컴퓨팅 조건에서 o1을 평가했습니다.







추론이 많이 필요한 다수의 벤치마크에서 o1은 인간 전문가의 실력에 필적합니다. 최근의 프론티어 모델1은 MATH2와 GSM8K에서 뛰어난 성과를 보이기 때문에 이러한 벤치마크는 모델 차별화에 더 이상 효과가 없습니다. 수학 성능은 미국에서 가장 똑똑한 고등학생의 수학 실력에 도전하는 시험인 AIME를 기준으로 평가했습니다. 2024년 AIME 시험에서 GPT‑4o는 문제에서 평균 12%(1.8/15)의 정답률을 보였습니다. o1은 문제당 하나의 샘플을 기준으로 평균 74%(11.1/15),, 64개의 샘플에서는 합의를 거쳐 83%(12.5/15)의 정답률을 보였고, 학습된 채점 함수를 사용해 1,000개 샘플의 순위를 다시 매겼을 때 93%(13.9/15)의 정답률을 보였습니다. 13.9라는 점수는 미국 내에서 상위 500명 안에 드는 점수이고, USA Mathematical Olympiad의 예선 통과 점수보다 높습니다.
또한 화학, 물리학, 생물학 전문성을 테스트하는 어려운 지능 벤치마크인 GPQA Diamond에서도 o1을 평가했습니다. 모델을 인간과 비교하기 위해 PhD 학위를 가진 전문가를 모집해 GPQA Diamond 문항에 답하도록 했습니다. 그 결과, o1이 전문가의 실력을 뛰어넘었으며, 이 벤치마크에서 이러한 성능을 보인 모델은 o1이 처음입니다. 이 결과는 o1이 PhD 학위자에 비해 모든 측면에서 능력이 뛰어나다는 것을 의미하지 않습니다. 단지, PhD 학위자가 풀 것으로 기대되는 문제를 이 모델이 더 능숙하게 푼다는 뜻입니다. 다른 몇 가지 ML 벤치마크에서 o1은 최고 수준(SOTA)을 넘어서는 성능을 보였습니다. 시각 인식 기능을 활성화한 상태로 o1은 MMMU에서 78.2%를 획득하여 인간 전문가에 견줄 만한 첫 번째 모델로 등극했습니다. 또한 57개의 MMLU 하위 카테고리 중 54개에서 GPT‑4o를 능가했습니다.
사람이 어려운 문제에 답하기 전에 오랜 시간 생각하는 것과 마찬가지로 o1은 문제를 풀려고 시도할 때 생각의 흐름을 사용합니다. 강화 학습을 통해 o1은 생각의 흐름을 연마하고 사용 전략을 개선하는 방법을 배웁니다. 실수가 있으면 인식하고 수정하는 방법을 배웁니다. 까다로운 단계를 더 단순한 단계로 세분화하는 방법을 배웁니다. 기존 접근 방식이 효과가 없으면 다른 접근 방식을 시도하는 것도 배웁니다. 이러한 과정을 통해 이 모델의 추론 능력이 크게 개선됩니다. 이러한 발전을 설명하기 위해 여러 어려운 문제에 대해 o1‑preview의 생각의 흐름이 어떻게 진행되는지 아래에서 보여드립니다.
GPT-4o
OpenAI o1-preview
2024 International Olympiad in Informatics(IOI)에서 213점을 받고 49번째 백분위수를 기록한 모델을 o1에서 초기화하고 프로그래밍 스킬이 더 개선되도록 하는 방법으로 훈련했습니다. 이 모델은 인간 응시자와 같은 조건에서 2024 IOI에 참가했습니다. 10시간 동안 여섯 개의 어려운 알고리즘 문제를 풀어야 했고, 문제 하나당 제출할 수 있는 답안은 50개였습니다.
문제마다 OpenAI의 시스템이 많은 후보 답안을 샘플링했고 테스트 시간 선택 전략에 따라 그중 50개를 제출했습니다. 제출 답안은 IOI 공개 테스트 케이스, 모델에서 생성된 테스트 케이스, 학습된 채점 함수에서 얻은 성과를 바탕으로 선정했습니다. 이 방식을 사용하지 않고 무작위로 제출했다면 평균 156점에 불과했을 것입니다. 즉, 이 전략이 시험의 제약 조건에서 거의 60점의 가치가 있었다는 뜻입니다.
제출 제약 조건이 느슨할 경우 이 모델의 성과가 크게 높아지는 것을 확인했습니다. 문제 하나당 답안 1만 개를 제출하도록 허용되었을 때 이 모델은 테스트 시간 선택 전략을 사용하지 않고도 362.14점을 받았고, 이 점수는 금메달 기준점을 넘어섭니다.
마지막으로, 이 모델의 코딩 스킬을 입증하기 위해 Codeforces가 주최하는 프로그래밍 대회를 시뮬레이션했습니다. 평가 시 대회의 규정과 거의 일치하도록 했고 10개의 답안을 제출하도록 했습니다. GPT‑4o는 808 Elo 등급3을 받았고, 인간 응시자들 사이에서 11번째 백분위수였습니다. 이 모델은 GPT‑4o와 o1 모두를 크게 능가하여 1807 Elo 등급을 받아 응시자의 93%보다 더 뛰어난 실력을 보였습니다.

프로그래밍 경쟁에 대해 추가로 파인 튜닝한 경우 o1의 성능이 더 높아집니다. 개선된 모델은 2024 International Olympiad in Informatics에서 같은 규정하에 49번째 백분위수를 기록했습니다.
시험과 학술적 벤치마크 외에도 광범위한 도메인에서 개방형 질문 방식의 까다로운 프롬프트를 사용해 o1‑preview와 GPT‑4o에 대한 인간의 선호도를 평가했습니다. 이 평가에서 모델 훈련 담당자는 한 프롬프트에 대한 o1‑preview와 GPT‑4o의 익명화된 응답을 본 후에 선호하는 응답에 투표했습니다. 데이터 분석, 코딩, 수학과 같이 추론이 많이 필요한 카테고리에서 io-preview가 GPT‑4o에 비해 훨씬 더 선호되었습니다. 하지만 o1‑preview는 일부 자연어 작업에서는 선호되지 않아, 모든 사용 사례에 적합하지는 않음을 시사합니다.

생각의 흐름 추론은 안전 및 정렬을 보장하기 위한 새로운 기회를 제공합니다. 모델 행동에 대한 OpenAI의 정책을 추론 모델의 생각의 흐름에 통합하면 인간의 가치관과 원칙을 강력하게 가르치는 데 효과적이라는 것을 확인했습니다. 모델에게 OpenAI의 안전 규칙을 가르치고 컨텍스트 내에서 안전 규칙에 대해 추론하는 방법을 가르침으로써 추론 능력이 모델의 성능에 직접적으로 긍정적인 영향을 미친다는 증거를 발견했습니다. 즉, o1‑preview는 주요 탈옥 평가와 모델의 안전 거부 경계 평가에 대한 가장 까다로운 내부 벤치마크에서 성과가 크게 개선되었습니다. 생각의 흐름을 사용하는 것이 안전과 정렬을 크게 발전시킨다고 믿는 이유는 (1) 생각의 흐름을 통해 모델의 생각을 읽으며 관찰할 수 있고, (2) OOD(out-of-distribution) 시나리오에서 안전 규칙에 대한 모델 추론이 더 강력하기 때문입니다.
개선 사항을 스트레스 테스트하기 위해 준비성 프레임워크(새 창에서 열기)에 따라 배포하기 전 일련의 안전 테스트와 레드팀 테스트를 수행했습니다. 그 결과, 생각의 흐름 추론이 평가 전반에 걸쳐 역량 개선에 기여했다는 사실을 발견했습니다. 특히, 흥미로운 리워드 해킹 인스턴스(새 창에서 열기)를 관찰했습니다. 이러한 평가의 자세한 결과는 첨부된 시스템 카드에서 확인할 수 있습니다.
| 지표 | GPT-4o | o1-preview |
|---|---|---|
| 유해한 프롬프트의 안전 완료 비율 % 보통 | 0.990 | 0.995 |
| 유해한 프롬프트의 안전 완료 비율 % 도전적: 탈옥 및 엣지 케이스 | 0.714 | 0.934 |
| ↳ 괴롭힘(심각) | 0.845 | 0.900 |
| ↳ 착취적인 성적 콘텐츠 | 0.483 | 0.949 |
| ↳ 미성년자가 포함된 성적 콘텐츠 | 0.707 | 0.931 |
| ↳ 비폭력적인 범법 행위에 대한 조언 | 0.688 | 0.961 |
| ↳ 폭력적인 범법 행위에 대한 조언 | 0.778 | 0.963 |
| WildChat에서 카테고리별 Moderation API 점수가 가장 높은 상위 200개의 안전 완료 비율 % Zhao, et al. 2024 | 0.945 | 0.971 |
| Goodness@0.1 StrongREJECT jailbreak eval Souly et al. 2024 | 0.220 | 0.840 |
| 인간 유래 탈옥 평가 | 0.770 | 0.960 |
| 내부 양성 엣지 케이스에 대한 규정 준수 비율 % “not over-refusal” | 0.910 | 0.930 |
| XSTest에서 양성 엣지 케이스에 대한 규정 준수 비율 % “not over-refusal” Röttger, et al. 2023 | 0.924 | 0.976 |
생각의 흐름을 숨기면 모델을 모니터링하는 고유의 기회를 활용할 수 있을 것으로 생각됩니다. 숨겨진 생각의 흐름이 신뢰할 수 있고 읽을 수 있다고 가정하면 우리는 모델의 ‘생각을 읽을’ 수 있고 사고 과정을 이해할 수 있습니다. 예를 들어, 미래에 생각의 흐름에서 사용자 조종 징후를 모니터링하고 싶을 수 있습니다. 하지만 그러한 모니터링이 가능하려면, 모델이 자신의 생각을 변경되지 않은 형태로 표현할 수 있는 자유가 있어야 합니다. 우리가 생각의 흐름에 대해 정책 준수나 사용자 선호도를 훈련할 수 없도록 말입니다. 또한 정렬되지 않은 생각의 흐름이 사용자에게 직접 표시되지 않도록 해야 합니다.
따라서 사용자 경험, 경쟁 우위, 생각의 흐름 모니터링을 추적하는 옵션 등 여러 요소의 중요성을 가늠해 본 후 OpenAI는 생각의 흐름을 사용자에게 표시하지 않기로 했습니다. 이 결정에는 단점도 있다는 것을 알고 있습니다. 그런 단점을 보완하기 위한 노력의 일환으로 모델에게 생각의 흐름에서 유용한 아이디어가 있다면 답변에 재현하도록 가르칩니다. o1 모델 시리즈는 생각의 흐름에서 모델이 생성한 요약을 표시합니다.
o1은 AI 추론에서 첨단 기술을 크게 발전시킵니다. OpenAI는 반복을 거듭하면서 이 모델의 개선된 모델을 공개할 계획입니다. 이러한 새 추론 기능을 통해 모델을 인간의 가치관과 원칙에 부합하도록 하는 우리의 능력이 개선될 것으로 기대합니다. o1과 그 후속 모델은 과학, 코딩, 수학 및 관련 분야에서 새로운 AI 사용 사례를 다수 창출할 것입니다. 사용자들과 API 개발자들이 일상 업무를 개선하는 데 이 모델을 어떻게 활용할지 기대가 됩니다.
| 데이터세트 | 지표 | gpt-4o | o1-preview | o1 |
|---|---|---|---|---|
| 경쟁 수학 AIME (2024) | cons@64 | 13.4 | 56.7 | 83.3 |
| pass@1 | 9.3 | 44.6 | 74.4 | |
| 경쟁 코드 CodeForces | Elo | 808 | 1,258 | 1,673 |
| 백분위수 | 11.0 | 62.0 | 89.0 | |
| GPQA Diamond | cons@64 | 56.1 | 78.3 | 78.0 |
| pass@1 | 50.6 | 73.3 | 77.3 | |
| 생물학 | cons@64 | 63.2 | 73.7 | 68.4 |
| pass@1 | 61.6 | 65.9 | 69.2 | |
| 화학 | cons@64 | 43.0 | 60.2 | 65.6 |
| pass@1 | 40.2 | 59.9 | 64.7 | |
| 물리학 | cons@64 | 68.6 | 89.5 | 94.2 |
| pass@1 | 59.5 | 89.4 | 92.8 | |
| MATH | pass@1 | 60.3 | 85.5 | 94.8 |
| MMLU | pass@1 | 88.0 | 92.3 | 90.8 |
| MMMU (val) | pass@1 | 69.1 | n/a | 78.2 |
| MathVista (testmini) | pass@1 | 63.8 | n/a | 73.9 |
저자
인용
- 1
- 2
평가에서는 https://arxiv.org/abs/2305.20050(새 창에서 열기)에서 확인할 수 있는 것과 동일한 500 문제 테스트 스플릿을 사용했습니다.
- 3






