생성형 언어 스테가노그래피 (Generative linguistic steganography)는 대규모 언어 모델 (Large Language Models, LLMs)의 샘플링 무작위성 내에 비밀 비트를 숨깁니다. 기존 방식은 단일 스트림 (Single-stream) 방식으로, 단일 프롬프트에 대한 단일 응답을 통해 전체 비밀을 전달합니다. 이러한 관행은 두 가지 한계를 초래합니다: 배치형 멀티 스트림 추론 (Batched multi-stream inference)을 위한 프로토콜 수준의 지원이 없으며, 단순한 공동 배치 (Co-batching)는 슬롯 점유 (Slot occupancy)나 페이로드 완료 (Payload completion)를 숨기지 못합니다. 우리는 연속적인 상호작용 라운드에 걸쳐 공동으로 생성되는 여러 응답에 비밀을 분산시키는 HiTMS를 제안합니다. 각 라운드는 단일 배치 호출 (Batched call) 내에서 여러 스트림을 임베딩 (Embedding) 및 추출 (Extraction)하여, 모델 호출 비용을 분할 상환하고 처리량 (Throughput)을 실질적으로 향상시킵니다. 복구 가능성을 보장하기 위해, HiTMS는 각 응답을 자기 기술적 프레임 (Self-describing frame)으로 감싸고, 스트림을 슬롯에 바인딩하며 사용되지 않는 슬롯을 미끼 (Decoys)로 채우는 키 유도 스케줄 (Key-derived schedule)을 채택하여, 활성 스트림의 수를 숨기면서도 정확한 복구를 보장합니다. 이 프레임워크는 언어 모델과 스테가노그래피 코더 (Steganographic coder) 모두에 대해 불가지론적 (Agnostic)입니다. 8개의 데이터셋-모델-코더 설정에 걸쳐, 8개 스트림을 사용하는 HiTMS는 단일 스트림 베이스라인보다 최대 4.3배 높은 임베딩 및 추출 속도를 달성하는 동시에, 스테가날라이저 (Steganalyzer)의 AUROC를 평균 0.681에서 0.601로 낮추었습니다. 4개에서 64개 스트림을 사용한 추가 실험은 동시성 (Concurrency)이 증가함에 따라 지속적인 처리량 이득을 입증합니다. 이 작업에 대한 GitHub 저장소는 https://github.com/ryehr/HiTMS_steganography 입니다.