대규모 언어 모델 (LLM)은 확장된 사고의 사슬 (Chain-of-Thought, CoT) 추론을 통해 놀라운 성능을 달성하지만, 이 긴 과정은 상당한 추론 오버헤드 (Inference overhead)를 발생시킵니다. 기존의 CoT 압축 방법들은 유연하지 못한 수동 길이 예산 (Manual length budgets), 계산 비용이 많이 드는 다단계 학습 파이프라인 (Multi-stage training pipelines), 그리고 소규모 모델로 제한된 취약한 확장성 (Scalability) 문제로 어려움을 겪고 있습니다. 우리는 비용 효율적인 단일 단계 강화학습 (Reinforcement Learning, RL) 프레임워크인 HMPO (Hybrid Median-length Policy Optimization)를 제안합니다. HMPO는 세 가지 시너지 구성 요소를 통해 CoT를 효율적으로 압축합니다: 수동 튜닝을 제거하기 위해 성공적인 롤아웃 (Rollouts)에서 도출된 적응형 중앙값 기반 예산 (Adaptive median-based budget), 부드러운 길이 페널티 부여를 위한 코사인 감쇠 토큰 보상 (Cosine-decay token reward), 그리고 정답의 정확성을 엄격하게 우선시함으로써 사소한 보상 해킹 (Reward hacking)을 실질적으로 완화하는 곱셈적 보상 공식 (Multiplicative reward formulation)입니다. 수학 데이터로만 학습되었음에도 불구하고, HMPO는 수학, 코드, 과학 및 지시 이행 (Instruction-following) 작업 전반에 걸쳐 원활하게 일반화됩니다. Dense 및 Mixture-of-Experts (MoE) 아키텍처 전반에 걸쳐 9B에서 122B 파라미터까지 확장한 광범위한 실험을 통해, HMPO는 기존의 다단계 베이스라인 (Multi-stage baselines)과 비교하여 학습 비용을 획기적으로 줄이면서도 정확도 저하를 거의 일으키지 않고 19%~46%의 토큰 압축을 달성함을 입증했습니다.