기술 요약: CoLT – 잠재적 사고의 사슬 (Chain of Latent Thoughts)

1. 문제 정의

사고의 사슬(Chain-of-Thought, CoT) 추론은 복잡한 시각적 작업에서 멀티모달 거대 언어 모델(MLLM)의 능력을 크게 향상시켰으나, 기존의 텍스트 기반 패러다임은 세 가지 결정적인 한계에 직면해 있습니다:

1. 추론 지연 시간(Inference Latency): 자연어로 된 긴 추론 사슬을 생성하는 것은 자기회귀적(autoregressive)이며 토큰 집약적입니다. 이는 종종 수백 또는 수천 개의 토큰을 소비하며, 추론 과정에서 주요한 계산 병목 현상을 구성합니다.
2. 표현력 제약(Expressiveness Constraints): 텍스트 기반 추론은 본질적으로 결정론적입니다. 일단 추론 단계가 특정 자연어 형태로 확정되면, 잠재적인 해결 경로의 풍부한 분포를 단일한 표면 실현(surface realization)으로 붕괴시켜 대안적인 추론 경로를 제거합니다.
3. 오류 전파(Error Propagation): 초기 추론 단계에서 발생한 오류는 후속 단계로 전파되고 누적될 수 있으며, 이는 긴 추론 사슬에서 특히 치명적인 현상입니다.

기존의 "잠재적 추론(latent reasoning)"(연속적인 표현 공간에서의 추론) 시도들은 훈련의 불안정성과 의미 없는 벡터 생성 문제로 어려움을 겪었습니다. 또한, 보조 이미지를 감독(supervision)에 사용하는 최근의 잠재적 시각 추론 방식은 높은 주석 비용과 확장성 문제를 야기합니다.

2. 방법론: CoLT 프레임워크

저자들은 MLLM이 장황한 텍스트 토큰 대신 잠재적 사고 표현($h_1, \dots, h_K$)을 통해 추론할 수 있게 하는 CoLT (Chain of Latent Thoughts) 프레임워크를 제안합니다. 이 프레임워크는 표준 텍스트 생성 과정을 $K$개의 이산적인 잠재 단계(여기서 $K \ll L$, $L$은 텍스트 토큰 수)로 대체하여, 텍스트 생성 병목을 우회하면서도 잠재 공간에서의 다중 경로 탐색을 유지합니다.

안정적이고 의미 있는 잠재 추론을 위한 과제를 해결하기 위해, CoLT는 세 가지 상호 보완적인 메커즘으로 구성된 종합적인 감독 전략을 도입합니다:

A. 잠재적 사고 표현 (Latent Thought Representation)

모델은 텍est 토큰을 생성하는 대신, 지정된 추론 위치에서 은닉 상태 벡터를 생성합니다. 이 벡터들은 어휘(vocabulary)를 확장하지 않으면서도 다음 단계를 위한 입력 임베딩으로서 언어 모델에 다시 피드로 전달되어, 모델의 자기회귀적 특성을 유지합니다.

B. 외부 디코더 감독 (External Decoder Supervision)

백본 모델과 동일한 토크나이저 및 어휘를 공유하는 경량 외부 디코더($D_\phi$)가 두 가지 방향으로 단계별 감독을 제공합니다:

• 순방향 디코딩 (Forward Decoding): 디코더는 이전의 잠재적 사고 $h_k$를 입력으로 받아, 다음 단계($r_{k+1}$)의 텍스트 추론 내용을 디코딩하도록 훈련됩니다. 이는 잠재적 사고가 명시적 추론을 재구성할 수 있는 충분한 정보를 인코딩하도록 보장합니다.
• 역방향 디코딩 (Backward Decoding): 디코더는 이전의 텍스트 추론 단계($r_{k-1}$)를 입력받아 모델의 잠재적 사고 $h_k$와 정렬된 은닉 상태($\tilde{h}_k$)를 생성합니다. 이는 잠재 공간을 명시적 추론 사슬의 의미론적 구조에 고정(anchor)시킵니다.

C. 내부 단계별 감독 (Internal Step-Level Supervision)

경량 프로젝션 헤드($f_\theta$)는 연속적인 잠재 단계 간의 일관된 전이를 촉진합니다. 이는 현재 단계($h_k$)로부터 다음 단계의 표현($\hat{h}_{k+1}$)을 예측하여, 단계 간 일관성을 통해 잠재 사슬을 규제합니다.

D. 훈련 목적 함수 (Training Objective)

전체 손실 함수는 표준 태스크 손실(최종 답변 생성)과 세 가지 감독 신호를 결합합니다:
$$\mathcal{L} = \mathcal{L}_{task} + \alpha \mathcal{L}_{fwd} + \beta \mathcal{L}_{bwd} + \gamma \mathcal{L}_{int}$$
훈련은 두 단계로 진행됩니다:

1. 지도 미세 조정 (Supervised Fine-Tuning, SFT): 백본과 디코더는 결합된 손실 함수를 사용하여 CoT 주석(OneThinker 데이터셋)에 대해 훈련되어 구조화된 잠재적 사고를 학습합니다.
2. 강화 학습 (Reinforcement Learning, RL): CoT 샘플에 대해 그룹 상대 정책 최적화(Group Relative Policy Optimization, GRPO)가 적용됩니다. 이 단계에서는 보조 디코더와 내부 감독이 제거되어, 모델이 결과 기반 보상에 따라 잠재적 사고를 자유롭게 업데이트할 수 있도록 합니다.

추론 시에는 외부 디코더와 프로젝션 헤드를 폐기하므로 추가적인 계산 오버헤드가 발생하지 않습니다.

3. 주요 기여

• 새로운 프레임워크: MLLM이 텍스트 토큰이 아닌 잠재 벡터를 통해 추론하도록 가르치는 CoLT를 도입하여, 단 3단계만으로 효과적인 추론을 달술합니다.
• 안정화 메커니즘: 잠재 표현이 의미 없는 의미론으로 붕괴되는 것을 방지하기 위해 경량 외부 디코더(순방향 및 역방향 모드)와 내부 예측을 사용하는 원칙적인 감독 프레임워크를 제시합니다.
• 주석 효율성: 잠재적 시각 추론 방식과 달리, CoLT는 언어 모델의 잠재 공간 내에서 완전히 작동하므로 보조 이미지 주석이나 특화된 인코더가 필요하지 않습니다.
• 효율성: 추론 단계 동안 장황한 텍스트 생성을 제거하여 추론 시간을 크게 단축합니다.

4. 실험 결과

Qwen3-VL-8B 백본을 사용하여 8개의 다양한 멀티모달 벤치마크(SeedBench, MMBench, ChartQA, TextVQA, ScienceQA, MMStar, AI2D, MMT-Bench)에서 실험을 수행했습니다.

• 성능: CoLT는 기존의 잠재 추론 방식(예: CODI, SIM-CoT) 및 잠재 시각 추론 방식(예: LVR)보다 뛰어난 성능을 보였습니다. 구체적으로, 가장 강력한 잠재 베이스라인인 SIM-CoT보다 평균 정확도에서 +5.1%, 가장 강력한 잠재 시각 베이스라인인 LVR보다 +5.5% 높은 성능을 기록했습니다.
• 텍스트 CoT와의 비교: CoLT는 텍스트 기반 CoT 대비 평균 정확도가 +3.4% 높았으며, 특히 ChartQA(+9.6%)와 TextVQA(+6.1%)에서 상당한 향상을 보였습니다.
• 효율성: CoLT는 텍스트 CoT 방식과 비교했을 때 추론 시간을 10.1배, 텍스트 디코딩 시간을 22.6배 단축하면서도 더 높은 정확도를 유지했습니다.
• 강건성 (Robustness): 시각적 노이즈(가우시안 블러, 폐쇄) 및 텍스트 노이즈(철자 오류, 핵심 단어 삭제) 환경에서도 CoLT는 직접 답변(Direct Answer) 및 텍스트 CoT 베이스라인보다 훨씬 낮은 정확도 저하를 보이며 우수한 강건성을 입증했습니다.
• 절제 연구 (Ablation Studies):
  • 세 가지 감독 신호(순방향, 역방향, 내부)는 모두 비중복적이며, 전체 조합이 최적의 성능을 냅니다.
  • 0.6B 규모의 경량 디코더만으로도 효과적인 감독이 가능하며, 더 큰 디코더는 미미한 이득만을 제공합니다.
  • 최적의 잠재 단계 수는 $K=3$이며, 단계가 너무 많아지면 성능이 다소 저하됩니다.

5. 의의 및 주장

본 논문은 CoLT가 멀티모달 모델이 추론을 수행하는 방식에 있어 근본적인 변화를 나타낸다고 주장합니다. 명시적인 텍스트 생성에서 잠재적 사고 벡터로 이동함으로써, CoLT는 텍스트 기반 CoT의 고유한 비효율성과 표현력의 한계를 해결합니다. 저자들은 이 방법이 추론의 질을 희생하지 않으면서도(때로는 오히려 개선하면서) 탁월한 효율성(최대 22.6배 속도 향상)을 달성한다고 강조합니다.

이 연구의 의의는 (순방향 디코딩 시각화를 통해 검증 가능한) 해석 가능하면서도 입력 노이즈에 강건한 연속 공간에서 "사고"를 수행할 수 있는 능력에 있습니다. 이 프레임워크는 복잡한 시각적 추론이 압축된 잠재 표현으로 내재화될 수 있음을 보여주며, 비용이 많이 드는 보조 주석과 토큰 단위 생성의 지연 시간에 대한 의존성을 제거합니다. 저자들은 이 접근 방식이 효율적으로 추론할 수 있는 고지능 에이전트를 향한 확장 가능한 경로를 제공한다고 결론짓습니다.