# PORA, LLM 에이전트가 더 오래 추론할 시점 가린다

> 새로운 PORA 기법은 언어 모델 에이전트가 예산과 예상 효과를 따져 짧게 또는 길게 추론하도록 학습해 연산량을 최대 절반까지 줄인다.

Oossa · 2026-10-21 · https://oossa.com/ko/pora-lets-llm-agents-decide-when-to-think-longer

Qi Zhang이 이끄는 연구진이 LLM 에이전트의 추론을 더 오래 이어갈수록 결과가 좋아지는 시점을 학습하는 기법 PORA를 공개했다. 학습 과정에서 시스템은 같은 단계를 두 차례 실행한다. 한 번은 추론 길이를 짧게 제한하고, 다른 한 번은 더 길게 허용해 어느 쪽이 최종 결과가 더 나은지 확인한다. 실제 실행 단계에서는 제어기가 학습한 예측과 남은 연산 예산을 바탕으로 두 방식을 모두 실행하지 않고 비용이 적게 드는 쪽을 선택한다. 메모리, 코드, 소매, 수학 과제에서 진행한 테스트 결과, 메모리 벤치마크 점수는 최대 32.9% 높아졌고 수학 과제에서는 모델 호출 횟수가 최대 31% 줄었다.

## 팩트

- 논문은 2026-10-21 arXiv에 공개됐다
- BFCL 메모리 벤치마크에서 PORA는 종전 최고 성능보다 17.4~32.9%포인트 앞섰다

## 왜 중요한가

개발자는 성능을 유지하면서 클라우드 연산량을 줄이는 더 효율적인 AI 에이전트를 만들 수 있다. 이에 따라 여러 단계의 추론에 의존하는 서비스의 비용도 낮아진다.

## 출처 및 참고 자료

1. [PORA: Learning When More Reasoning Pays Off for LLM Agents](https://arxiv.org/abs/2610.27119) – arXiv, 2026-10-21

최종 업데이트: 2026-10-21