검증 가능한 보상(verifiable rewards)을 활용한 강화학습(Reinforcement Learning, RL) (예: GRPO)은 현재 대규모 언어 모델(Large Language Models, LLMs)의 수학적 추론 능력을 향상시키는 일반적인 방법입니다. 그러나 현재의 방법들은 대개 모든 토큰에 하나의 시퀀스 수준 어드밴티지(sequence-level advantage)를 방송하거나, 단계별 감독(step-level supervision)을 위해 비용이 많이 드는 프로세스 보상 모델(Process Reward Models, PRMs)을 사용합니다. 균등한 어드밴티지 분포는 모든 토큰이 최종 보상에 동일하게 기여한다고 가정합니다. 이는 잘못된 추론 단계와 의미 없는 단어(filler words)가 유효한 논리적 추론만큼 강력하게 업데이트되므로 그래디언트 신호(gradient signal)를 희석시킵니다. 이를 해결하기 위해, 우리는 내재적인 토큰 단위 어드밴티지 재가중치 방법인 GRAIL(Gradient-Reweighted Advantage)을 소개합니다. GRAIL은 그래디언트 활성화 돌출도(gradient-activation saliency)를 사용하여 최종 정답에 더 국소적으로 민감한 토큰에 더 많은 가중치를 부여합니다. Qwen3, R1-distilled 및 OctoThinker 제품군의 5개 모델에 대한 평가 결과, GRAIL이 GRPO를 일관되게 능가함을 보여주었습니다. GRAIL은 정확도(accuracy)에서 평균 3.60%, Pass@3에서 3.05%의 향상을 달성하였으며, 이는 프로세스 수준의 감독 없이도 미세한 추론 정렬(fine-grained reasoning alignment)을 달성할 수 있음을 입증합니다.