우리는 LLM(Large Language Model) 추론 흔적(reasoning traces)의 구조적 분석을 위한 프레임워크인 ThinkProbe를 제시합니다. ThinkProbe는 각 흔적을 사이클이 있는 유향 그래프(directed graph), 8가지 노드 유형(node types), 6가지 에지 유형(edge types)을 가진 사고 그래프(Thought Graph)로 변환하며, 규칙 기반 세그멘테이션(rule-based segmentation)과 판별적 의미론적 연결(discriminative semantic linking)을 결합한 완전 비생성적(non-generative) 파이프라인을 통해 19개의 지표로 구성된 5차원 인지 프로파일(5D-CP: Breadth, Depth, Structure, Metacognitive, Efficiency)을 도출합니다. 200개의 개방형 질문과 10개의 인지 도메인에 걸쳐 7개의 네이티브 추론 모델로부터 얻은 4,200개의 흔적에 적용한 결과, ThinkProbe는 추론 구조가 안정적인 모델 수준의 속성임을 밝혀냈습니다. 5가지 인지 차원 중 4개에서 모델 간 분산(between-model variance)이 도메인 간 분산(between-domain variance)보다 최대 4배 더 높게 나타났으며, 특히 구조(Structure) 차원은 질문 도메인에 대한 진정한 민감도를 보여줌으로써 정확도 기반 평가에서는 보이지 않는 질적으로 구별되는 인지 프로파일을 드러냅니다.