Reliable Reasoning

信頼できる LLM reasoning のための信号と手法を体系化

大規模言語モデル（LLM）の reasoning 能力を「信頼できる形で」引き出す研究が 2025–2026 年に急速に発展している。本書は 訓練側の信号（RLVR、GRPO、Process Reward Model）、推論 (inference) 側の信号（Self-consistency、Confidence、Test-time scaling）、構造的アプローチ（Tree search、Reasoning 構造の分析、Diffusion LLM）の 3 軸で、ICLR 2026 / ACL 2026 / ICML 2026 / NeurIPS 2025 / EMNLP 2025 など最近の主要研究 190 本超を体系化する。

本書を貫く問いは 3 つある。

• Q1: RLVR は base モデルの能力を本当に拡張しているのか、それとも既存能力の re-weighting か。
• Q2: ground truth なしに reasoning trace の「正しさ」をどう推定するか。
• Q3: 限られた inference compute をどこに投資すべきか。

これらの問いに対して独立に発展してきた複数の研究系統が、2025–2026 年に急速に重なり始めている。