우리는 언어 모델의 추론 능력이 요구되는 순차적 단계(sequential steps)의 수가 증가함에 따라 어떻게 저하되는지를 통제된 환경에서 평가하는 Complexity Ceiling Benchmark (CCB)를 소개합니다. CCB는 작업의 의미론적 내용(semantic content)을 고정하고, 구조적으로 구별되는 세 가지 영역인 근거 기반 공간 상태 추적(grounded spatial state-tracking), 추상적 기호 포인터 조작(abstract symbolic pointer manipulation), 그리고 이행적 관계 추론(transitive relational inference)에 대해 깊이 $N \in {5, \dots, 50}$만을 변화시킵니다. 5개의 프론티어(frontier) 및 오픈 웨이트(open-weight) LLM을 대상으로 6,000회의 실험을 수행한 결과, 도메인별로 확연히 구분되는 한계치(ceiling)를 가진 일관된 기하급수적 단계별 저하(geometric per-step decay) 패턴을 발견했습니다. 처음 두 영역에서는 가장 강력한 모델들이 $N=50$까지 $p_d > 0.92$를 유지했습니다. 반면 세 번째 영역에서는 모든 모델이 $N=5$ 이전에 붕괴되었으며, 가장 우수한 모델조차 $p_d=0.863$임에도 불구하고 50% 성공 지평(success horizon)이 $H_{0.5} \sim 4.7$ 단계에 불과했습니다. 추적 수준의 지표인 TFBC(Trace-level metric)를 통해 벤치마크 전체 정답의 14.5%가 잘못된 중간 추론을 거쳐 도달했음을 보여줍니다. 강제적인 상세 상태 추적(Forced verbose state-tracking)은 한계치를 변화시키지 못했습니다 (McNemar $p=1.000$). 또한 추론이 처음으로 어긋나는 평균 단계인 $k^*$는 파라미터 수(parameter count)보다 도메인 내 정확도를 더 잘 예측합니다. CCB와 기하급수적 저하 모델은 모델의 장기 지평 추론 프로필(long-horizon reasoning profile)을 작업군별로 해석 가능한 하나의 숫자로 요약해 줍니다.