최근 Long Chain-of-Thought (CoT) 추론 모델의 발전으로 복잡한 작업에서 성능이 향상되었지만, 간단한 질문에 대해서는 과도한 생각(overthinking)으로 인해 불필요한 추론 단계를 생성하는 문제가 있습니다. 본 논문에서는 Long CoT와 Short CoT 모델의 추론 패턴을 재검토하여, Short CoT 패턴이 효율적으로 간결한 추론을 제공하는 반면, Long CoT 패턴은 Short CoT 패턴이 어려움을 겪는 도전적인 상황에서 뛰어난 성능을 보이는 것을 관찰하였습니다. 이 두 가지 패턴을 모두 활용할 수 있도록 Question-Free Fine-Tuning (QFFT) 방법을 제안합니다. QFFT는 학습 과정에서 입력 질문을 제거하고 Long CoT 응답만을 통해 학습하는 미세 조정(fine-tuning) 접근법입니다. 이 방법은 모델이 적응적으로 두 가지 추론 패턴을 모두 사용할 수 있게 합니다: Short CoT 패턴을 우선시하고, 필요할 때만 Long CoT 패턴을 활성화합니다. 다양한 수학 데이터셋에 대한 실험 결과, QFFT가 평균 응답 길이를 50% 이상 줄이며, 감독된 미세 조정(Supervised Fine-Tuning, SFT)과 유사한 성능을 달성함을 확인하였습니다. 또한, QFFT는 노이즈가 많은 환경, 영역 외 환경(out-of-domain), 그리고 저자원 환경(low-resource)에서 SFT보다 우수한 성능을 보임을 입증하였습니다.