본 연구에서는 더 큰 문제 규모에 대해 향상된 외삽(extrapolation) 성능을 보이는 RRM의 심볼릭 등변(symbol-equivariant) 인스턴스화인 SE-RRMs에 집중합니다. 우리는 제약 충족 문제(constraint satisfaction problems)를 위해 SE-RRMs를 심볼릭 솔버(symbolic solvers)와 통합하는 뉴로-심볼릭(neuro-symbolic) 접근 방식인 "순환 추론 모델을 이용한 가이드(Guiding with Recurrent Reasoning Models)"(G-RRM)를 제안합니다. SE-RRMs는 전체 솔루션 제안을 생성하는 신경망 솔버(neural solvers) 역할을 하며, 전역적으로 올바른 솔루션을 생성하는 백트래킹(backtracking) 또는 Glucose 4.1 및 CaDiCaL 3.0.0과 같은 SAT 기반 방식과 같은 전통적인 심볼릭 솔버를 가이드합니다. 핵심적으로, 우리는 G-RRM을 통한 신경망 가이드가 언제 심볼릭 솔버의 탐색 효율성을 향상시키는지 조사합니다. 우리의 실험은 G-RRM의 효능이 두 가지 조건에 달려 있음을 보여줍니다: 첫째, 잠재적 이득을 드러내기 위해 문제 인스턴스가 확장적인 조합 탐색 공간(combinatorial search space)을 가져야 하며, 둘째, 솔버 아키텍처가 신경망 힌트가 불완전할 때 복구할 수 있도록 분기 선택(branching choices)을 동적으로 덮어쓸 수 있어야 합니다. 이러한 조건이 충족될 때, 가이드는 중앙값 충돌 횟수(median conflict counts)를 0으로 유도하며 상당한 실제 실행 시간(wall-clock) 가속을 가져옵니다: SE-RRM이 인스턴스의 $91.1%$를 올바르게 해결하는 $9\times9$ 스도쿠(Sudoku)에서, 백트래킹은 $33.3\times$, Glucose 4.1은 $1.70\times$ 가속되었으며(중앙값, $p<0.001$), Glucose 4.1은 완벽한 힌트가 제공되는 $25\times25$ 그리드에서도 $1.17\times$의 가속도를 유지했습니다. 반면, 실행 시간이 오버헤드에 의해 지배되고 주입된 분기 힌트를 덮어쓰기보다 항상 준수하는 CaDiCaL 3.0.0은 유의미한 가속을 보이지 않았으며(중앙값 $1.02\times$, 유의미하지 않음), $9\times9$에서 심지어 약간의 유의미한 평균 속도 저하($0.90\times$)를 보였습니다. 이러한 결과는 신경망 가이드가 실질적인 가속으로 이어지는 영역을 정의합니다.