프롬프트(prompt)나 응답(response)을 선별하기 위해, 최근의 가드레일(guardrail) 방식들은 판결을 내리기 전에 사고 사슬(Chain-of-Thought, CoT)을 생성합니다. 이러한 설계는 단계별 추론(reasoning)이 의사결정을 개선한다는 일반적인 믿음을 따릅니다. 하지만 CoT는 모델이 결정을 내리기 전에 많은 토큰(token)을 생성해야 하므로 가드레일을 무겁고 느리게 만듭니다. 이는 가드레일이 실제로 배포되는 방식과 일치하지 않을 수 있습니다. 가드레일은 때때로 무겁고 느려서는 안 되며, 예를 들어 체화된 로봇(embodied robot)과 같이 온디바이스(on-device)에서 실행되는 경우가 많습니다. 본 논문에서 우리는 안전 가드레일에 정말로 추론이 필요한지 질문을 던집니다. 이 질문에 답하기 위해, 우리는 동일한 코퍼스(corpus) 상에서 경량 양방향 인코더(bidirectional encoder)와 추론 가드(reasoning guard)를 학습시킨 후, 다른 모든 조건은 고정한 채 추론 과정만을 제거했습니다. 이러한 통제된 동일 기반 비교를 통해, 우리는 사고 사슬(CoT)이 중재(moderation) 정확도를 향상시키지 않는다는 것을 보여줍니다. 우리는 그 결과물인 가드레일을 LeanGuard라고 명명합니다. 395M 규모의 라벨 전용(label-only) 인코더는 공개 벤치마크에서 평균 82.90 $\pm$ 0.26의 F1 점수를 달성합니다. 이는 훨씬 더 큰 디코더(decoder)를 기반으로 구축된 추론 가드와 대등한 성능을 보이면서도, 최대 512개 토큰의 입력에 대해 단 한 번의 순전파(forward pass)만을 사용합니다. 이는 추론 연산량(inference compute)을 약 100배 감소시킨 것입니다. 우리는 더 나아가 이 라벨 전용 인코더가 학습 라벨 노이즈(training-label noise) 하에서도 견고함을 유지하며, 엄격한 오탐률(false-positive rate) 조건에서 추론 가드보다 훨씬 더 많은 재현율(recall)을 유지함을 보여줍니다. 따라서 더 무거운 추론 가드가 더 견고한 선택도 아니라는 점을 시사합니다. 우리의 발견은 현재의 가드레일 벤치마크가 추론에 보상할 만큼 충분히 어렵지 않을 수 있으며, 중재를 위한 CoT의 필요성이 아직 증명되지 않았음을 시사합니다. 우리는 LeanGuard를 포함한 모든 소스 코드와 모델을 https://github.com/ndb796/LeanGuard 에서 공개합니다.