यह शोधपत्र विभिन्न अन्वेषण तकनीकों का उपयोग करते हुए बड़े पैमाने के भाषा मॉडल (एलएलएम) की "सॉफ्ट थिंकिंग" क्षमताओं का विश्लेषण करता है। सॉफ्ट थिंकिंग के बारे में पारंपरिक अपेक्षाओं के विपरीत, हम पाते हैं कि एलएलएम मुख्य रूप से सॉफ्ट टोकन के सबसे प्रभावशाली घटकों पर निर्भर करते हैं, जिससे उनका अनुमान पथ अन्वेषण सीमित हो जाता है। यह लालची डिकोडिंग के समान है, जो सॉफ्ट टोकन के माध्यम से अधिक जानकारी संप्रेषित करने के लाभ को अस्पष्ट कर देता है। इस समस्या का समाधान करने के लिए, हम डिरिचलेट रीसैंपलिंग और गम्बेल-सॉफ्टमैक्स तकनीक जैसी नमूनाकरण रणनीतियों के माध्यम से यादृच्छिकता का परिचय देते हैं, और प्रयोगात्मक रूप से आठ अनुमान मानकों पर उनकी प्रभावशीलता का सत्यापन करते हैं। हम पुष्टि करते हैं कि गम्बेल-सॉफ्टमैक्स तकनीक उचित यादृच्छिकता और नियंत्रित सहजता प्रदान करके सर्वोत्तम प्रदर्शन प्राप्त करती है।
