Whitepaper Summary

차세대 AI 모델 설계:
'인식론적 신호'의 내재화

LLM 에이전트의 지식을 단순한 결과물이 아닌 '정당화된 진정한 신념(Justified True Belief)'으로 변모시키기 위한 차세대 추론 로드맵.

Epistemic Opacity Resolved

Popperian Cycle Integration

성능 분석: 베이스 모델 vs. 스캐폴딩

25,000회 트레이스 결과, 에이전트 성능의 핵심은 외부 구조가 아닌 모델의 내재적 능력에 있습니다.

41.4%

Base Model (θ_R)

성능 분산의 지배적 요인

1.5%

Scaffold Choice

외부 프롬프트 기여도

"강한 모델은 스캐폴드 없이도 약한 모델을 능가합니다. 추론은 모델 가중치 자체의 내재적 속성입니다."

고정된 신념 (신념 수정 거부) 71%

증거 미수용 68%

검증되지 않은 주장 53%

Scientific Limit

반증 기반 수정은 단 26% 사례에서만 관찰

궤적 점수(Trajectory scoring)를 보상 신호로 사용하여 가설(H) → 테스트(T) → 수정(U) 과정을 모델 내부에 각인합니다.

낮은 토큰 수준 로그 확률을 개선하여 외부 개입 없이도 스스로 추론 메커니즘을 복구할 수 있는 정밀도를 확보합니다.

독립적 증거 스트림의 수렴 능력과 반박/업데이트 링크의 유효성을 새로운 성능 지표로 설정합니다.

Inference Motif Map

독립적 증거 수렴 READY

포퍼적 반증 실험 OPTIMIZING

탐색-확인 전략 전이 CORE

자기 교정적 신념 수정 TARGET

Research Conclusion