테스트 시간 스케일링 (Test-time scaling)은 여러 개의 후보 답변을 생성하고 집계함으로써 LLM의 추론 능력을 향상시키지만, 많은 파이프라인이 쉬운 프롬프트와 어려운 프롬프트에 동일한 연산량을 소비하는 쿼리당 고정된 예산 (fixed per-query budgets)을 사용합니다. 이러한 고정된 예산은 특정 프롬프트가 왜 특정 수의 샘플을 할당받는지 설명하지 못하기 때문에 조사하기가 어렵습니다. 우리는 추정된 프롬프트 복잡도 (prompt complexity) 및 모델 확신도 (model confidence)를 포함한 해석 가능한 신호들을 쿼리당 샘플링 예산으로 매핑하는 경량 퍼지 컨트롤러 (fuzzy controller)를 이용한 적응형 테스트 시간 스케일링 (adaptive test-time scaling)을 제안합니다. 이 컨트롤러는 더 쉽거나 확신도가 높은 프롬프트에는 더 적은 샘플을 할당하고, 더 어렵거나 불확실한 프롬프트에는 더 많은 샘플을 할당하여, 추론 시간 연산 (inference-time compute)을 고정되거나 불투명한 방식이 아닌 조사 가능한 방식으로 만듭니다. 우리는 일치된 디코딩 설정 (matched decoding settings)과 제어된 답변 선택 (controlled answer selection)을 갖춘 공정 정렬 프로토콜 (fair-alignment protocol) 하에서 평가를 수행하였으며, 질의응답 (question-answering) 및 수학적 추론 (mathematical reasoning) 작업에서 best-of-$N$, 연산 인지 스케일링 (compute-aware scaling), 그리고 자기 확신 기반 (self-certainty-based) 베이스라인들과 비교하였습니다. 모델과 데이터셋 전반에 걸쳐, 적응형 퍼지 제어 (adaptive fuzzy control)는 여러 표준 베이스라인보다 성능을 개선하였으며, 평균 샘플 수를 줄이면서도 셀렉터 매칭 전체 예산 제어 (selector-matched full-budget control)에 근접한 성능을 유지했습니다. 이러한 결과는 해석 가능한 적응형 샘플링 (interpretable adaptive sampling)이 대규모 언어 모델 (large language models)에서 더 효율적인 테스트 시간 추론을 위한 실용적인 방향임을 시사합니다.