ReasoningLens: 계층적 시각화 및 진단 감사 도구를 활용한 대규모 추론 모델 분석

ReasoningLens: Hierarchical Visualization and Diagnostic Auditing for Large Reasoning Models

대규모 추론 모델의 등장으로 인해, 복잡한 사고 과정(Chain-of-Thought)이 매우 길어져 중요한 논리가 방대한 텍스트에 가려지는 투명성 문제가 발생하고 있습니다. 이러한 문제를 해결하기 위해, 우리는 복잡한 추론 과정을 계층적으로 시각화하고 진단할 수 있도록 설계된 오픈 소스 프레임워크인 ReasoningLens를 제시합니다. ReasoningLens는 다음과 같은 기능을 제공하여 정보 분석을 지원합니다: (1) 고수준 전략과 저수준 실행 단계를 분리하는 인터랙티브한 계층 구조로 추론 과정을 구성하고, (2) 에이전트 기반 감사 도구를 활용하여 자동 오류 감지 및 도구 기반 검증을 수행하며, (3) 시스템적인 추론 프로파일을 합성하여 모델의 특정한 약점을 드러냅니다. ReasoningLens는 비정형 텍스트를 실행 가능한 통찰력으로 변환하여, 차세대 추론 중심 AI 시스템을 해석하고, 디버깅하고, 최적화하기 위한 모듈식 기반을 제공합니다.

The emergence of Large Reasoning Models has introduced exceptionally long Chain-of-Thought traces, creating a transparency burden where critical logic is often buried under massive procedural text. To address this, we present ReasoningLens, an open-source framework designed for the hierarchical visualization and diagnostic auditing of complex reasoning chains. ReasoningLens addresses information necropsy by: (1) structuring traces into interactive hierarchies that separate high-level strategy from low-level execution; (2) leveraging an agentic auditor for automated error detection and tool-augmented verification; and (3) synthesizing systemic reasoning profiles to reveal model-specific blind spots. By transforming unstructured walls of text into actionable insights, ReasoningLens provides a modular foundation for interpreting, debugging, and optimizing the next generation of reasoning-centric AI.