이 연구는 LLM이 샘플링한 여러 답변 중 하나를 고를 때 다수결 투표 대신 모델의 은닉 상태에서 정답 신호를 읽어 선택하는 CASE(Correctness-Axis SElection) 기법을 제안했다. 핵심은 '디코더빌리티'라는 지표로, 질문별로 정답 후보를 오답보다 얼마나 잘 순위화하는지를 측정해 은닉 상태 기반 선택이 투표보다 나을지 미리 예측한다. 문항별 그룹 평가에서 디코더빌리티는 선택 기법의 성능 향상폭과 피어슨 상관계수 0.75로 강한 상관관계를 보였고, 일반·의료 LLM 전반에서 CASE는 중간 난이도 문제에서 최대 19점, 어려운 문제에서 16.8점 투표보다 높은 정확도를 냈다. 디코더빌리티는 모델 규모가 아니라 요구되는 정렬된 지식에 좌우되며, 미지의 과학 분야에도 3.8점 이내 오차로 예측이 전이됐다.

• •은닉 상태에서 정답 신호를 읽어 선택하는 CASE 기법, 다수결 투표 대체
• •'디코더빌리티' 지표가 선택 성능 향상을 사전 예측(피어슨 상관 r=0.75)
• •중간 난이도 문제 최대 19점, 어려운 문제 16.8점 투표 대비 정확도 향상
• •디코더빌리티는 모델 규모보다 요구 지식에 좌우, 미지 과학 분야로도 전이