AI 핵심 요약
beta- 아크릴이 29일 LLM 추론 효율화 논문을 EMNLP 2026에 채택됐다.
- 제한 토큰에서 추론을 조절해 정답률과 효율을 높이는 기술이다.
- GPUBASE에 적용됐고 생성형 AI와 피지컬 AI로 확대할 계획이다.
!AI가 자동 생성한 요약으로 정확하지 않을 수 있어요.
AI 인프라 플랫폼 'GPUBASE'에 기술 적용
[서울=뉴스핌] 이나영 기자 설희 인턴기자= 인공지능 전환(AX) 인프라 전문기업 아크릴의 대규모언어모델(LLM) 추론 효율화 기술을 다룬 논문이 국제 자연어처리 학술대회 'EMNLP 2026' 메인 컨퍼런스에 채택됐다.
29일 아크릴에 따르면 이번에 채택된 논문은 '제한된 토큰 예산에서 AI의 추론 진행도를 양방향으로 조절하는 기술(ParentingLLM: Pacing Reasoning Maturity for Bidirectional Test-Time Scaling under Token Budgets)'이다.
해당 기술은 문제 난이도와 추론 진행 상태에 따라 AI의 추론 과정을 조절하는 방식이다. AI가 성급하게 결론에 도달하려 할 때는 추가 검토를 유도하고, 반대로 추론이 필요 이상으로 길어질 경우에는 사고 과정을 정리해 답변을 마무리하도록 한다.

연구진은 구글 젬마(Gemma)와 알리바바 큐웬(Qwen) 계열의 소형부터 대형까지 총 4개 모델을 대상으로 수학·과학 분야 문제를 풀게 한 결과, 동일한 토큰 예산에서 모든 모델의 정답률이 향상됐다고 설명했다.
1024토큰 조건에서 4개 모델의 평균 정답률은 54.1%에서 58.7%로 4.6%포인트(p) 상승했다. 소형 모델 'Gemma-4-E4B'의 경우 정답률이 39.0%에서 49.5%로 10.5%p 높아졌다.
주어진 토큰을 모두 사용하고도 결론을 내지 못하는 '예산 초과' 비율은 4개 모델 평균 20.7%에서 13.5%로 낮아졌다. 'Gemma-4-E4B'에서는 26.1%에서 14.1%로 감소했다.
아크릴은 자체 파운데이션 모델 '아름(A-LLM)'에서도 추론 정확도 향상을 확인했다고 밝혔다. 회사는 이를 통해 특정 모델에 한정되지 않고 적용할 수 있는 가능성을 확인했다는 설명이다.
해당 추론 제어 기술은 현재 아크릴의 AI 인프라 플랫폼 'GPUBASE'의 LLM 추론 환경에 적용돼 판매되고 있다. 회사는 별도의 토큰 예산 확대 없이 추론 과정을 조절해 응답 품질과 자원 활용 효율을 높일 수 있다고 설명했다.
아크릴은 향후 해당 기술을 생성형 AI에서 피지컬 AI 분야로 확대 적용할 계획이다. 현재 650억원 규모 '협업지능 피지컬 AI 기반 소프트웨어(SW) 플랫폼 연구개발 생태계 조성' 국가 연구개발 과제를 진행하고 있다.
이 과제에서 아크릴은 피지컬 AI 플랫폼 '조나단(Jonathan) PAI'를 기반으로 비전-언어-행동(VLA) 모델의 학습·추론·서빙과 이기종 로봇 실행 환경을 개발하고 있다. 향후 '페어런팅(Parenting)LLM'의 추론 제어 기술도 연계할 예정이다.
아크릴 관계자는 "AI 경쟁의 무게중심이 단순히 모델을 얼마나 크게 만드느냐에서 같은 자원으로 얼마나 높은 품질의 판단을 만들어내느냐로 이동하고 있다"며 "실제 제품 현장에서 먼저 검증한 추론 효율화 기술을 기반으로 기업의 AI 도입과 운영 비용 부담을 낮추고, 향후 생성형 AI에서 피지컬 AI까지 적용 범위를 확대해 나갈 것"이라고 말했다.
winter1004@newspim.com












