방사선 보고서 생성 (Radiology Report Generation, RRG)은 일반적으로 멀티모달 거대 언어 모델 (Multimodal Large Language Model, MLLM)이 하나의 디코딩된 보고서를 최종 출력물로 생성하는 단일 경로 생성 작업 (single-path generation task)으로 정식화됩니다. 최근의 발전은 주로 학습 데이터, 모델 용량 및 검색 메커니즘의 확장에 의해 주도되어 왔으나, 추론 시점 (inference time)에서의 보고서 품질 개선은 여전히 미개척 분야로 남아 있습니다. 본 연구에서 우리는 고정된 방사선 MLLM이 기본 디코딩 (default decoding)에 의해 선택된 보고서보다, 후보군 (candidate pool) 내의 다른 보고서에서 임상적으로 더 강력한 내용을 생성하는 경우가 많다는 점을 관찰하였으며, 이는 추론 시점의 의사 결정이 간과된 병목 현상임을 시사합니다. 이를 해결하기 위해, 우리는 여러 후보 보고서를 샘플링하고 롤아웃 풀 (rollout pool) 전체에서 가장 높은 임상적 합의 (clinical consensus)를 가진 보고서를 선택하는 디코더 불가지론적 (decoder-agnostic) 추론 시점 선택 프레임워크인 CCS (Clinical Consensus Selection)를 제안합니다. CCS는 텍스트 기반 유틸리티 (text-based utilities)와 이미지-보고서 학습을 거친 멀티모달 임베더 (multimodal embedder)에 의해 계산되는 방사선 최적화 유틸리티 (radiology-adapted utility)를 통합하며, 이는 표면적인 텍스트 유사성을 넘어 후보 간의 일치도를 측정합니다. 세 가지 데이터셋과 여러 방사선 MLLM을 대상으로 한 실험에서, CCS는 단일 경로 디코딩 및 일반적인 Best-of-N 베이스라인 (baselines)에 비해 추론 시점의 성능을 일관되게 향상시켰으며, 특히 임상 지표 (clinical metrics)에서 뚜렷한 이득을 보였습니다. 추가 분석을 통해 이미지에 근거한 유틸리티 (image-grounded utility)가 텍스트 합의와는 구별되는 선택 축을 형성하며, 추론 시점의 RRG를 개선할 수 있는 상당한 여지 (headroom)가 남아 있음을 확인했습니다.