대규모 언어 모델(LLMs)은 많은 작업에서 뛰어난 성능을 보이지만, 장기적인 계획(long-horizon planning)과 반복적인 오류 수정(iterative error correction)이 필요한 복잡한 추론에서는 자주 어려움을 겪습니다. 더욱이, 표준적인 단일 스트림 프롬프팅(single-stream prompting)은 모델이 새로운 추상화나 엄격한 도메인 제약 조건에 직면했을 때 취약하다는 것이 증명되었습니다. 우리는 추론을 네 가지 에이전트로 분리하는 이질적 프레임워크인 PoTRE (Poly-Topological Reasoning Ensembles)를 소개합니다: (1) 적대적 정제 에이전트 (Adversarial Refinement Agent), (2) 계층적 전략적 계획 에이전트 (Hierarchical strategic Planning Agent), (3) 스펙트럼 탐색 에이전트 (Spectrum Search Agent), 그리고 (4) 직접 체인 에이전트 (Direct Chain Agent). 최종적인 작업 적응형 집계 계층 (Task-Adaptive Aggregation Layer)은 최종 후보 선택, 의미론적 합성(semantic synthesis), 또는 신경-기호 검증(neuro-symbolic verification)을 통해 이러한 관점들을 동적으로 조정하여 견고한 글로벌 솔루션을 생성합니다. 우리는 세 가지 최첨단 벤치마크인 ARC-AGI-2, Humanity's Last Exam (HLE), 그리고 PRBench Finance에서 PoTRE를 평가합니다. PoTRE는 HLE에서 49.92%의 최첨단(state-of-the-art) 정확도를 달성하며 이전의 최고 공식 점수를 넘어섰습니다. 우리는 이러한 구조적 이질성이 대규모로 확장된 동질적(homogeneous) 베이스라인들과 비교했을 때, 유사하거나 더 적은 추론 토큰(inference tokens)을 사용하면서도 향상된 추론 성능을 달성함을 입증합니다.