본 논문은 추론 과정에서 특정 보상에 모델을 적응시키는 Test-Time Alignment (TTA) 기법의 문제점을 지적하고, 이를 해결하기 위해 Null-Text Test-Time Alignment (Null-TTA)를 제안한다. Null-TTA는 잠재 변수나 노이즈 변수를 조작하는 대신, classifier-free guidance에서 unconditional embedding을 최적화하여 확산 모델을 정렬한다. 이는 의미론적으로 일관된 매니폴드에서 정렬을 수행하고 보상 해킹을 방지한다. Null-TTA는 모델의 생성 분포를 직접 목표 보상으로 유도하여 모델 매개변수를 업데이트하지 않고도 최첨단 TTA 성능을 달성하며, 강력한 교차 보상 일반화를 유지한다.
