현대 LLM 모델들의 가장 중요한 문제 중 하나는 요청을 하거나 질문을 했을 때, 응답에서 Chain of Thought 같은 진단 단계(Diagnostics Steps)를 적용하지 않고 바로 5가지 해결책을 한 번에 설명하고, 확률 추정치를 제시하며 "... 이게 안 되면 이걸 실행해... 답변을 받지 못하면 이 단계를 시도해" 같은 불필요한 토큰 낭비를 하는 것입니다. 이것이 가장 치명적인 문제 중 하나입니다.

예를 들어, 간단한 ollama 토크나이저 불일치 문제에서도 Opus 4.7 Adaptive는 나에게 5가지 별도의 해결책과 거의 2개의 다른 명령 블록으로 진단을 요구했습니다. 하지만 실제로는 정의 명령 블록만 제공하고 상황을 공유한 후에 해결책을 제시했다면 거의 45%의 토큰 절감 효과를 얻을 수 있었을 것입니다.

따라서 Chain of Thought나 Causal Reasoning처럼 Diagnostics Steps 원칙에 따라 맞춤형 LLM을 SFT Train/Finetune 해야 합니다.