ReTool: Reinforcement Learning for Strategic Tool Use in LLMs

Motivation

• Known: DeepSeek R1 등 RL 기반 추론 모델은 텍스트 추론에 탁월하지만, 기하학적 추론, 정밀 계산, 복잡한 방정식 풀이 등 구조화된 문제해결이 필요한 작업에서는 약점을 보임.
• Gap: 기존 프롬프팅/지도학습(SFT) 기반 도구 활용 방식은 학습된 데이터 분포 모방에 국한되어 도구 호출 시기와 방식을 적응적으로 학습하지 못함.
• Why: 텍스트 기반 추론은 수치 계산 오류 누적과 불확실성 증가 문제를 해결할 수 없으나, 코드 인터프리터는 형식적이고 검증 가능한 기호 계산 기능을 제공함.
• Approach: 냉시작(Cold-start) SFT 데이터 생성 + 코드 실행 피드백이 통합된 RL 학습으로 모델이 도구 호출 전략을 자율적으로 발견하도록 유도.

Achievement

AIME 2024 & 2025에서 ReTool(CI-powered RL)과 텍스트 기반 RL 베이스라인의 성능 비교

1. 우수한 성능: Qwen2.5-32B-Instruct 기반 ReTool이 AIME 2024에서 400 스텝으로 67.0% 달성 (텍스트 기반 RL은 1080 스텝에 40.0%). DeepSeek-R1-Distill-Qwen-32B 기반 72.5% 달성하여 o1-preview 초과.
2. 훈련 효율성: 텍스트 기반 RL 대비 2.7배 빠른 수렴(400 vs 1080 스텝), 응답 길이 40% 감소로 토큰 효율성 개선.
3. 창발 행동: 코드 자체 수정, 적응적 도구 선택, 동적 코드 호출 타이밍 조정 등 RL 학습 중 자동 발생.

How

텍스트 기반 RL(a)과 ReTool의 인터리빙된 코드 실행 RL(b) 비교

1단계: 냉시작 SFT

• OpenThoughts 등 다양한 수학 추론 데이터 수집 및 DeepSeek-R1 검증으로 초기 데이터셋 D_init 구성
• 구조화된 프롬프트 템플릿으로 D_init을 자동 변환하여 수작업 계산 단계를 코드 스니펫 + 실행 결과로 대체
• 형식 검증(syntax) + 답변 검증(correctness) 2단계 필터링으로 D_CI 생성
• SFT로 모델에 도구 호출 기초 능력 부여

2단계: 도구 통합 RL 학습

• PPO 알고리즘 기반, 정책 모델이 코드 샌드박스와 협력하여 다중 턴 실시간 코드 실행 포함 롤아웃 생성
• <code></code> 태그로 코드 구간 표시, 종료 태그(</code>) 감지 시 코드 파싱 → 실행 → 피드백 필링 → 계속 생성
• 규칙 기반 정확도 보상(Equation 2): 최종 답안이 정답과 동치면 +1, 아니면 -1 (도구 실행 가능성 보상 미사용)
• 피드백 기반 outcome-driven 학습으로 도구 호출 시기, 방식, 선택 기준 자율 발견

Originality

• 새로운 패러다임: 텍스트/코드 혼합 롤아웃(hybrid rollout)을 RL 루프에 처음 통합하여 실시간 코드 실행 피드백으로 학습
• 데이터 파이프라인 혁신: 구조화된 변환 + 이중 검증으로 코드 통합 추론 데이터셋 자동 생성 방법론 개발
• 단순한 보상 설계: 도구 실행 가능성이 아닌 최종 정확도만 보상하여 reward hacking 방지 및 다양한 문제해결 전략 발현 유도
• 창발 현상 분석: 코드 자체 수정, 동적 호출 타이밍 등이 감독 신호 없이 자율적으로 학습됨을 실증적 관찰

Limitation & Further Study

• 보상 설계의 한계: 이진 정확도 보상만 사용하여 부분 정답, 중간 계산 과정의 질, 코드 효율성 등을 반영하지 못함. 다단계 보상 함수 개발 필요.
• 도메인 특화성: AIME 수학 문제에만 평가했으므로 다른 구조화된 문제(기하학, 과학 실험, 코드 생성 등)에 일반화 가능성 미검증.
• 코드 인터프리터 의존성: 샌드박스 보안, 시간초과 처리, 복잡한 라이브러리 호출 등 실무 장애 요인에 대한 분석 부족.
• 후속 연구 방향:
  • 계층적/혼합 보상 함수로 중간 단계 학습 품질 개선
  • 기하학, 자연과학, 프로그래밍 등 타 도메인 확대 실험
  • 모델 크기/RL 스텝에 따른 수렴 곡선 분석
  • 도구 호출 실패 시 fallback 메커니즘 연구

Evaluation

총평: ReTool은 LLM의 도구 활용을 RL로 학습시키는 실용적이고 효과적인 프레임워크이며, AIME에서의 강한 성능과 창발 행동 관찰이 하이브리드 신경-기호 추론의 가능성을 시사한다. 다만 보상 설계 정교화와 다영역 일반화 검증이 필요하다.