추론 시간 스케일링 (Inference-time scaling)은 언어 모델의 추론 능력을 향상시키는 지배적인 레버가 되었으나, 기존 방법들은 단일 소스인 확률적 토큰 수준 샘플링 (stochastic token-level sampling)으로부터 롤아웃 다양성 (rollout diversity)을 도출합니다. 우리는 이러한 단일 축 샘플링 공간이 근본적으로 제한적이라고 주장하며, 완전히 결정론적(deterministic)이고 상호 보완적인 두 번째 축을 식별합니다. 즉, 불확실성이 높은 토큰에서 동결된 모델의 상위 디코더 레이어들을 재귀적으로 재적용하는 레이어 범위 $L$입니다. $L$의 선택에 따라 확률성 없이도 서로 다른 문제 집합을 해결하는 별개의 롤아웃이 생성됩니다. 우리는 이를 엔트로피 게이트 잠재 재귀 (Entropy-Gated Latent Recursion, EGLR)를 통해 구현합니다. EGLR은 다음 토큰 분포가 수렴할 때까지 최대 $K_{\max}$ 회 반복하여 상위 $L$개의 레이어를 재적용하는 훈련이 필요 없는 디코딩 절차입니다. $T$개의 온도 (temperature) 샘플과 결합하면, EGLR은 단일 축의 확률적 롤아웃 풀을 거의 동일한 롤아웃당 비용으로 $L \times T$ 데카르트 샘플링 공간 (Cartesian sampling space)으로 변환합니다. 우리는 8개의 지시어 튜닝된 (instruction-tuned) 모델과 6개의 수학 추론 벤치마크를 통해 이 공간을 특성화하였으며, $L$ 축이 온도에 진정으로 상호 보완적임을 보여줍니다. Qwen2.5-3B-Instruct를 사용한 MATH-500 테스트에서 결합된 $L \times T$ 오라클 (oracle)은 $91.6%$에 도달하였으며, 이는 온도 전용 오라클($83.4%$)보다 $+8.2$ 퍼센트 포인트, 레이어 전용 오라클($81.2%$)보다 $+10.4$ 퍼센트 포인트 높은 수치로, 두 축이 진정으로 상호 보완적인 문제들을 포착함을 확인시켜 줍니다. 확장된 롤아웃 풀은 자기 일관성 (self-consistency), 검증기를 사용한 Best-of-$N$, 그룹 상대적 강화학습 (group-relative RL training, GRPO)을 포함하여 롤아웃을 소비하는 모든 다운스트림 절차에 대해 프롬프트당 더 풍부한 후보를 제공하며, 확률적 노이즈에 의존하지 않는 추론 시간 스케일링의 새로운 방향을 제시합니다.