Effort as Ceiling, Not Dial: Reasoning Budget Does Not Modulate Cognitive Cost Alignment Between Humans and Large Reasoning Models

Large Reasoning Models (LRMs) generate chain-of-thought traces whose length tracks human reaction times across cognitive tasks, but recent debate questions whether this alignment reflects genuine computational structure or surface verbosity. We test whether the alignment varies with inference-time reasoning effort. Across GPT-OSS-20B and GPT-OSS-120B, three effort levels, and six reasoning tasks, within-task and cross-task alignment remain invariant: Bayes Factors lean toward the null, and mean alignment is numerically near-identical across conditions. A manipulation check reveals that the effort parameter sets an upper budget on generation rather than driving real-time allocation, suggesting that the allocation policy is crystallized at training time. Arithmetic complexity contrasts further show that token allocation tracks fine-grained, format-dependent human difficulty patterns, with model scale improving the match. Cognitive cost alignment between LRMs and humans appears to be a training-time achievement, robust to inference-time perturbations, supporting a compiled rather than online account of LRM problem-solving.

📋 한 줄 요약

**[인지과학 / LRM 분석]** 추론 모델의 토큰 할당이 인간 반응시간과 정렬되는 것은 추론 시점의 effort 파라미터가 아니라 학습 시점에 결정된다는 점을 베이즈 인자 분석으로 입증했다.

🎯 핵심 기여도

LRM의 chain-of-thought 길이와 인간 반응시간 alignment가 추론 시간 effort에 불변임을 실증
"Effort = 상한(ceiling), 다이얼이 아니다"라는 메커니즘적 가설 제시 및 매니퓰레이션 체크로 검증
"Cognitive cost alignment는 학습 시점에 결정(compiled)된다"는 가설을 6개 추론 과제·2개 모델 규모로 일반화
산술 복잡도 대비 fine-grained 형식 의존적 인간 난이도 패턴 추적, 모델 스케일이 매칭을 개선함을 보임

💡 핵심 아이디어

LRM의 추론 trace 길이가 인간 반응시간과 비슷하게 움직이는 현상이 진짜 계산 구조를 반영하는지, 아니면 표면적 verbosity인지가 논쟁이다. 만약 추론 시간 "effort" 파라미터가 실시간 자원 할당을 조절한다면 alignment도 effort에 따라 달라져야 한다. 그러나 실험상 alignment가 effort 수준에 무관하게 일정하다면, 할당 정책은 학습 시점에 이미 "굳어진(crystallized)" 상태로 봐야 한다.

🔬 기술적 접근법

GPT-OSS-20B / GPT-OSS-120B 두 모델, 3단계 effort, 6가지 추론 과제 조합
Within-task 및 cross-task alignment 측정
Bayes Factor로 null(불변) 가설 지지 정량화
매니퓰레이션 체크로 effort 파라미터가 실제로는 생성 상한만 설정함을 확인
산술 복잡도 대조: 형식 의존적 인간 난이도 패턴과의 매칭

📊 주요 결과

Within/cross-task alignment 모두 effort 조건 간 거의 동일, Bayes Factor가 null을 지지
Effort 파라미터는 실시간 할당이 아닌 생성 budget의 상한 역할
토큰 할당이 형식 의존적 인간 난이도 패턴을 fine-grained하게 추적
모델 규모 증가가 인간 패턴과의 매칭을 향상

💭 의의 및 한계

LRM과 인간 인지의 alignment 해석에 "compiled vs online" 구분을 도입해 추론 시간 perturbation에 대한 강건성을 명확히 보인 점이 가치 있다. 다만 GPT-OSS 계열의 특정 effort 인터페이스 한정 결과로, 다른 LRM 아키텍처(특히 학습된 stop 정책을 가진 모델)나 더 다양한 인지 과제로의 일반화는 추가 검증이 필요하다.

🚀 실용적 활용

LRM의 reasoning effort 설정이 "비용 절감 다이얼"이 아니라 단순 token budget cap임을 인식한 추론 시간 비용 관리, 인간 반응시간 시뮬레이션이나 인지 모델링 도구로서의 LRM 사용, 그리고 LRM의 학습 단계에서 cognitive alignment를 의식적으로 설계하는 후속 연구 방향성 제시에 활용된다.