Add papers

README.md

@@ -2,6 +2,7 @@
 ## 2412
 #### [PartGen: Part-level 3D Generation and Reconstruction with Multi-View Diffusion Models](summaries/2412.18608.md)
 #### [DiTCtrl: Exploring Attention Control in Multi-Modal Diffusion Transformer for Tuning-Free Multi-Prompt Longer Video Generation](summaries/2412.18597.md)
+#### [Token-Budget-Aware LLM Reasoning](summaries/2412.18547.md)
 #### [3DGraphLLM: Combining Semantic Graphs and Large Language Models for 3D Scene Understanding](summaries/2412.18450.md)
 #### [DepthLab: From Partial to Complete](summaries/2412.18153.md)
 #### [Large Motion Video Autoencoding with Cross-modal Video VAE](summaries/2412.17805.md)

summaries/2412.18547.md

@@ -0,0 +1,30 @@
+# Token-Budget-Aware LLM Reasoning
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2412.18547.pdf](https://arxiv.org/pdf/2412.18547.pdf)
+
+### 1. 각 섹션의 주요 내용 요약:
+
+#### 서론
+이 논문에서는 인공지능 및 머신러닝에서 매우 중요한 추론 능력을 논의합니다. 특히 현재의 LLM(대형 언어 모델)들이 불필요하게 긴 토큰을 사용해 비용이 증가하는 문제를 제기하고, 이를 해결하기 위해 토큰 예산을 고려한 새로운 프레임워크를 제안합니다.
+
+#### 관련 연구
+기존의 LLM 추론 기술은 중간 단계를 생성하여 다양한 작업에서 보다 정확하고 효과적인 성과를 내고 있습니다. 그러나 이러한 방법은 종종 토큰 사용량을 증가시켜 효율성 문제를 일으킵니다.
+
+#### 토큰 중복성
+LLM 추론에서 토큰 중복은 주로 RLHF(강화 학습을 통한 휴먼 피드백) 과정에서 나타나며, 이로 인해 장황한 출력이 선호되는 경향이 있습니다.
+
+#### 최적의 토큰 예산 찾기
+특정 질문에 대해 적절한 토큰 예산을 찾기 위해 이진 탐색 알고리즘을 사용해 최소한의 필요한 토큰을 찾아내는 방법을 설명합니다.
+
+#### 방법론
+TALE(토큰 예산 인식 LLM 추론)은 예산 추정과 프롬프트 구성을 통해 LLM의 성능과 비용 사이의 균형을 잡으려 합니다. 이를 위해 두 가지 주요 단계로 이루어집니다.
+
+#### 평가는
+TALE은 토큰 비용을 감소시키고, 다양한 LLM에 대한 일반성을 평가하며, 예측한 예산이 실제로 유용한지를 실험을 통해 검증합니다.
+
+#### 결론
+TALE은 기존의 CoT(연쇄적 사고) 추론에 비해 평균적으로 68.9%의 토큰 사용량을 줄이고, 정확성의 감소 없이 비용 효과성을 높였습니다.
+
+### 2. 전체 요약:
+이 논문은 LLM의 효율성과 성능을 향상시키기 위한 TALE 프레임워크를 소개합니다. 이는 불필요한 토큰 사용을 줄이고, 작업의 복잡도에 따라 동적으로 토큰 예산을 조정하여 추론을 유도합니다. 여러 실험을 통해 TALE은 기존 방법론에 비해 비용 효과성을 높이고 정확성을 유지함을 입증했습니다. TALE은 다양한 LLM 아키텍처에 적용 가능하며, 토큰 비용을 줄이면서도 높은 정확도를 유지하여, AI와 머신러닝 기술 발전의 중요한 기여를 하고 있습니다.