Best-of-$N$ 추론은 여러 후보 솔루션을 생성하고 평가 기준에 따라 최적의 솔루션을 선택하여 복잡한 문제를 해결하는 언어 모델의 정확도를 향상시킵니다. 그러나 모델이 유사한 출력을 생성하여 오류를 반복하는 출력 다양성 제한이 중요한 병목 현상입니다. 이 문제를 해결하기 위해, 본 논문에서는 테스트 시간에 여러 추론 궤적에 대한 스티어링 벡터를 동시에 최적화하는 새로운 무감독 활성화 스티어링 전략을 제안합니다. 동기화 앵커에서 가능한 모든 개입 활성 하위 집합에 의해 생성된 총 볼륨을 최대화하는 스티어링 벡터를 찾습니다. 구체적으로, 이 스티어링 벡터는 로그 행렬식 목적 함수를 가진 구의 곱에 대한 리만 최적화 문제를 해결하여 결정될 수 있습니다. 리만 블록 좌표 하강 알고리즘을 사용하여 이 문제의 고정점을 구하고, 이 스티어링 벡터를 다음 동기화 앵커까지 적용합니다. 수학적 벤치마크에 대한 실험적 평가는 본 논문의 테스트 시간 리만 활성화 스티어링 전략이 생성 다양성 및 솔루션 정확도 측면에서 기존의 샘플링 기술보다 우수함을 보여줍니다.
