LLM(Large Language Model)의 수학적 추론에서 다양성은 탐색(exploration)을 위해 매우 중요하지만, 일반적인 다양성 지표들은 문제가 해결되는 방식의 차이보다는 주로 표면적 변이(surface-level variation)를 포착합니다. 우리는 동일한 문제에 대한 정답들 사이의 전략적 차이인 접근 방식 수준의 다양성(approach-level diversity)을 도입함으로써 이 간극을 해결합니다. 인간의 기준에 맞춰 조정된 LLM 판사(LLM judge) 프레임워크를 사용하여, 우리는 기존의 다양성 측정 방식이 접근 방식 수준의 다양성을 나타내는 신뢰할 수 있는 대리 지표(proxy)가 아님을 보여줍니다. 또한 이러한 불일치는 다양성 인식 RLVR(Reinforcement Learning from Verifiable Rewards)로 이어져, 목표 지표는 유지되지만 접근 방식 수준의 다양성은 감소하는 현상이 나타납니다. 접근 방식 수준의 다양성이 언제 도움이 되는지, 그리고 이를 직접 유도할 수 있는지 조사한 결과, 접근 방식이 다양한 후보 집합(candidate sets)이 테스트 시간 스케일링(test-time scaling)을 향상시킨다는 것을 발견했습니다. 그러나 학습 과정에서 LLM 판사의 다양성 보상(diversity reward)을 최적화하면, 정책(policy)이 접근 방식을 넓히기보다는 판사 특유의 선호도를 악용(exploit)하게 되어, 접근 방식 수준의 다양성을 직접 최적화하는 것은 여전히 미해결 과제로 남게 됩니다. 종합적으로, 본 연구는 접근 방식 수준의 다양성이라는 개념을 도입하고 표면적 신호와 접근 방식 수준 신호 사이의 체계적인 괴리를 밝혀냄으로써, 진정으로 다양하고 인간과 유사한 방식으로 추론하는 LLM을 향한 한 걸음을 내디뎠습니다.