ReasoningV: 적응형 하이브리드 추론으로 Verilog 코드 생성의 효율성 혁신

ReasoningV는 하이브리드 추론 전략과 고품질 데이터셋을 통해 Verilog 코드 생성의 효율성과 정확도를 크게 향상시킨 혁신적인 모델입니다. 상용 모델과의 경쟁력 있는 성능과 오픈소스 공개를 통해 AI 기반 하드웨어 설계 자동화 분야의 발전에 크게 기여할 것으로 예상됩니다.

대규모 언어 모델(LLM)은 Verilog 코드 생성 분야에서 눈부신 발전을 이루었지만, 데이터 품질, 추론 능력, 계산 효율성 면에서 여전히 과제를 안고 있습니다. 베이징항공우주대학교(BUAA) 연구팀은 이러한 문제를 해결하기 위해 ReasoningV라는 혁신적인 모델을 발표했습니다. ReasoningV는 훈련된 고유 기능과 동적 추론 적응을 통합하는 하이브리드 추론 전략을 채택하여 Verilog 코드 생성의 효율성을 획기적으로 향상시켰습니다.

ReasoningV의 핵심 혁신은 세 가지로 요약됩니다.

1. ReasoningV-5K 데이터셋: PyraNet 샘플을 다차원으로 필터링하여 생성된 5,000개의 기능적으로 검증된 인스턴스와 추론 경로를 포함하는 고품질 데이터셋입니다. 이 데이터셋은 모델의 추론 능력 향상에 중요한 역할을 수행했습니다.
2. 두 단계 훈련 방식: 기본 지식에 대한 매개변수 효율적인 미세 조정과 향상된 추론을 위한 전체 매개변수 최적화를 결합한 두 단계 훈련 방식을 통해 모델의 성능을 극대화했습니다.
3. 적응형 추론 메커니즘: 문제의 복잡성에 따라 추론 깊이를 동적으로 조정하여 토큰 소모량을 최대 75%까지 줄이면서 성능을 유지합니다. 이는 계산 효율성을 크게 향상시키는 핵심 기술입니다.

실험 결과는 ReasoningV의 효과를 명확하게 보여줍니다. VerilogEval-human 데이터셋에서 57.8%의 pass@1 정확도를 달성하여 Gemini-2.0-flash(59.5%)와 같은 최고 수준의 상용 모델과 경쟁력 있는 성능을 입증했습니다. 또한, 기존 최고의 오픈소스 모델보다 10.4%p 높은 성능을 기록했습니다.

ReasoningV는 더욱 안정적이고 접근 가능한 경로를 통해 AI 기반 하드웨어 설계 자동화를 발전시킬 수 있는 잠재력을 가지고 있습니다. 연구팀은 모델, 데이터, 코드를 모두 공개하여(https://github.com/BUAA-CLab/ReasoningV) 다른 연구자들의 활용과 발전에 기여하고 있습니다. 이는 AI 기술의 발전과 함께 하드웨어 설계의 혁신을 이끌어갈 중요한 전환점이 될 것으로 기대됩니다.