AI BriefingForethought 논문, 학습 한계 초과 테스트 타임 성능 향상을 컴퓨트 외삽으로 정의
·2026.11.10 09:00
핵심 내용
Forethought 논문이 학습 한계를 넘어 테스트 타임에서 성능을 높이는 컴퓨트 외삽을 정의했다.
자세히 보기
- 테스트 타임 스케일링은 학습 시 사용된 최대 태스크별 컴퓨트 한계 내에서 작동하는 표준 스케일링과, 해당 학습 최대치를 초과하는 테스트 타임 컴퓨트 수준에서도 성능 향상을 허용하는 컴퓨트 외삽으로 구분됨
- 컴퓨트 외삽은 테스트 타임 컴퓨트가 태스크별 학습 컴퓨트의 99퍼센타일 대비 10배 또는 1000배에 달할 때에도 성능 개선이 지속되는 현상으로 정의되며, 핵심 지표는 최대 유효 배율인 시링과 학습 한계 초과 시 개선 속도인 슬로프임
- Delethink와 같은 오픈 웨이트 모델은 최대 학습 컴퓨트(24k 토큰)의 4배를 넘어 128k 토큰까지 성능이 상승하는 것을 보였고, Anthropic의 Opus 4.6과 OpenAI의 GPT-5.1-Codex-Max와 같은 폐쇄 모델은 효율성 및 컨텍스트 관리 개선으로 외삽 징후를 보임
- 이 현상은 경쟁적 지출을 학습에서 테스트 타임 컴퓨트로 이동시키며, 검증에 임의의 테스트 타임 컴퓨트가 필요할 수 있어 위험한 능력 평가의 비용이 prohibitively 비싸질 수 있음
- 시간 제약 시나리오에서 단일 에이전트 체인 오브 쓰ought보다 계층적 에이전트 구조가 더 잘 일반화될 수 있으므로, 컴퓨트 외삽의 시링과 슬로프를 확장하는 방법으로 멀티 에이전트 스케일링이 제안됨
이 한국어 요약은 AI가 자동으로 만들었습니다. 원문의 주장과 맥락은 원문에서 확인해 주세요. 저작권은 원저작자에게 있습니다.
