EBR 연구: 스도쿠 추론 계산량 345배 감소의 조건과 공개 코드
에너지 함수로 추론을 멈추고 후보를 고르는 EBR 연구를 살펴본다. EqR 대비 최대 345배 FLOPs 감소의 비교 조건, 문서 간 수치 차이와 공개 코드 실행 조건을 구분한다.

Energy-Based Reasoners(EBR)는 추론 상태에 점수를 매기는 에너지 함수를 학습한다. 모델은 에너지가 낮아지는 방향으로 상태를 고치고 기울기가 작아지면 반복을 멈춘다. 반복 횟수를 입력 난도에 맞춰 줄이려는 연구다.
논문은 2026년 11월 6일 arXiv에 제출됐다. 11월 18일 AI Weekly가 소개했지만 당일 새로 발표된 연구는 아니다. 연구진은 공식 프로젝트 페이지와 코드 저장소를 공개했다.
345배는 어떤 비교인가
연구진은 Sudoku-Extreme에서 비슷한 정확도를 내는 EqR과 비교해 추론 FLOPs를 최대 345배 줄였다고 보고했다. FLOPs는 연산량 지표다. 이 수치를 응답 시간이나 전기 사용량의 감소율로 옮길 근거는 확인하지 못했다.
논문 본문의 적응형 중단 실험은 EBR 후보 8개와 EqR 후보 128개 등을 비교한다. EBR은 기울기 임계값 0.2에서 정확도 99.9%를 유지했다고 보고했다. 고정 반복 EBR 대비 연산량 감소는 본문에서 10.8배, 프로젝트 페이지에서 10.9배로 다르게 적혀 있다. 같은 값으로 합쳐 인용하면 안 된다.
성능표의 후보 5개 결과와 이 비교도 구분해야 한다. 프로젝트 페이지는 180만 파라미터 EBR의 스도쿠 정확도를 단일 후보 99.4%, 후보 5개 99.9%로 제시한다. Maze-Hard에서는 각각 87.4%, 88.3%다. 모두 연구진의 자체 평가이며 독립 재현은 확인하지 못했다.
멈춤 신호와 정답 보증의 차이
EBR은 입력과 현재 추론 상태를 받아 에너지 값을 계산한다. 에너지의 기울기로 상태를 갱신하고 여러 후보 중 에너지가 가장 낮은 답을 선택한다. 외부 검증 모델 없이 후보 선택에 쓸 점수를 학습하는 구조다.
기울기가 작아졌다고 항상 정답은 아니다. 논문은 잘못된 상태에도 수렴할 수 있다고 설명한다. 학습 때 정답 예측과 수렴이 맞물리도록 손실을 추가하지만 일반적인 정답 보증을 제시하지는 않는다. 실험 범위도 구조화된 알고리즘 문제에 한정된다. 범용 언어 추론으로 확장할 수 있는지는 후속 과제다.
코드를 실행하기 전에 확인할 것
공식 README는 Python 3.10 이상, CUDA 12.x, PyTorch 2.6 이상을 요구한다. bf16 GPU를 권장하며 스도쿠와 빠른 미로 학습 설정은 Linux의 CUDA GPU와 Triton 커널을 사용한다. 저장소 코드의 라이선스는 MIT다.
README는 데이터와 체크포인트 다운로드 명령을 제공한다. Hugging Face 저장소도 연결하지만 모델 카드는 없다. 코드 라이선스와 별도로 데이터·체크포인트의 이용 조건을 확인할 필요가 있다.
bash scripts/download.sh checkpoints
bash scripts/eval.sh sudoku checkpoints/sudoku-extreme/sudoku.pth out/sudokuREADME의 기본 스도쿠 평가 명령은 후보 8개와 64개 세그먼트를 사용한다. 위 명령을 실행해 얻은 결과를 후보 5개 성능표와 바로 비교하지 않도록 설정을 확인해야 한다. 이 글에서는 GPU 실험을 실행하지 않았다.
저장소는 아직 정리 중이며 ARC-AGI 학습 설정과 체크포인트는 추후 공개 예정이라고 명시한다. 다운로드·데이터 구성 스크립트가 있다는 사실만으로 ARC-AGI 학습 자료가 모두 공개됐다고 판단할 수 없다. 재현을 시작한다면 스도쿠 한 과제에서 후보 수와 중단 기준을 먼저 고정하는 편이 비교하기 쉽다.



Discussion
No comments yet