ReasoningLens: 대규모 추론 모델을 위한 계층적 시각화 및 진단적 감사

초록

대규모 추론 모델의 등장은 매우 긴 사고 사슬 흔적을 도입하여, 핵심 논리가 방대한 절차적 텍스트 아래 묻히는 투명성 부담을 초래했습니다. 이를 해결하기 위해, 우리는 복잡한 추론 체인에 대한 계층적 시각화 및 진단적 감사를 위해 설계된 오픈소스 프레임워크인 ReasoningLens를 제시합니다. ReasoningLens는 다음과 같은 방식으로 정보 해부를 수행합니다: (1) 흔적을 대화형 계층 구조로 구성하여 상위 수준 전략과 하위 수준 실행을 분리; (2) 에이전트 감사자를 활용한 자동 오류 탐지 및 도구 보강 검증; (3) 체계적 추론 프로파일을 종합하여 모델 고유의 사각지대를 식별. 비구조화된 텍스트 벽을 실행 가능한 통찰로 변환함으로써, ReasoningLens는 차세대 추론 중심 AI를 해석, 디버깅 및 최적화하기 위한 모듈식 기반을 제공합니다.

English

The emergence of Large Reasoning Models has introduced exceptionally long Chain-of-Thought traces, creating a transparency burden where critical logic is often buried under massive procedural text. To address this, we present ReasoningLens, an open-source framework designed for the hierarchical visualization and diagnostic auditing of complex reasoning chains. ReasoningLens addresses information necropsy by: (1) structuring traces into interactive hierarchies that separate high-level strategy from low-level execution; (2) leveraging an agentic auditor for automated error detection and tool-augmented verification; and (3) synthesizing systemic reasoning profiles to reveal model-specific blind spots. By transforming unstructured walls of text into actionable insights, ReasoningLens provides a modular foundation for interpreting, debugging, and optimizing the next generation of reasoning-centric AI.