검증기 기반 후보 선택 방식은 여러 후보 해를 생성한 뒤 검증기로 가장 유망한 것을 고르지만, 검증 피드백을 순위 매기기에만 쓰고 고정된 후보 풀 자체는 개선하지 않는다는 한계가 있다. 이 논문은 검증 피드백으로 후보 집합 자체를 개선할 수 있는지를 묻고, 'Verify-Repair-Reselect(VRR)' 기법을 제안한다. VRR은 기존 1위 후보를 유지하면서 조건부로 1위·2위 후보의 수정본과 새로운 접근법 기반의 대안까지 세 가지 보완 후보를 추가 생성하고, 추론 시점 정보만으로 무효·중복 후보를 걸러낸 뒤 원래 평가 기준으로 최종 답을 재선택한다. 다양한 모델과 코드생성·추론 벤치마크 실험에서 VRR은 고정 풀 기반 검증 선택보다 우수한 성능을 보였으며, 초기 후보가 모두 틀린 경우에도 정답을 복구해낸 사례가 있었다. 이는 검증 피드백이 기존 해 중 선택하는 역할을 넘어 초기 풀보다 더 나은 후보를 직접 구성하는 데도 쓰일 수 있음을 보여준다.

• •검증 피드백을 순위 매기기에만 쓰지 않고 후보 집합 자체를 개선하는 'LLM-as-an-Improver' 개념 제안
• •Verify-Repair-Reselect(VRR): 1위 유지하며 수정본 2개+신규 접근 대안 1개를 추가 생성 후 재선택
• •코드생성·추론 벤치마크에서 고정 풀 기반 검증 선택보다 우수, 초기 후보 전원 오답 시에도 정답 복원 사례 확인
• •검증 피드백이 기존 후보 선택을 넘어 더 나은 새 후보를 직접 만드는 역할도 할 수 있음을 시사