추론 언어 모델 (Reasoning Language Models, RLMs)은 추론 체인 (reasoning chain)을 확장함으로써 복잡한 작업에서의 성능을 크게 향상시켰습니다. 그러나 이러한 체인은 특히 지식 집약적인 작업에서 사실적 오류를 포함하기 쉽습니다. 이 문제를 해결하기 위해, 우리는 사실적 오류를 적시에 확인하고 수정함으로써 검색 증강 생성 (Retrieval-Augmented Generation, RAG)을 통해 추론 과정의 신뢰성을 향상시키는 프레임워크인 CheckRLM을 제안합니다. 구체적으로, CheckRLM은 추론 체인에서 사실적 주장 (factual claims)을 추출하여 추론 과정 중에 미묘한 지식 불일치를 식별하고 위치를 찾아냅니다. 오류가 감지되면, 정제 메커니즘 (refinement mechanism)은 외부 지식을 활용하여 최소한의 비용으로 정밀한 수정을 수행하며, 이를 통해 추론 체인과 정확한 지식 사이의 일관성을 보장합니다. 광범위한 실험을 통해 CheckRLM이 기존 베이스라인 (baselines)보다 실질적으로 우수한 성능을 보임을 입증하였으며, 더 낮은 비용으로 장기 추론 (long-horizon reasoning)에서의 오류 누적을 완화하는 강력한 능력을 보여주었습니다. 코드와 데이터는 https://github.com/AI9Stars/CheckRLM 에서 확인할 수 있습니다.