테스트 시간 연산 스케일링 (Test-time compute scaling)은 LLM 추론을 향상시키기 위한 주요 축입니다. 기존 방법들은 주로 단일 추론 경로 (reasoning trace)를 확장함으로써 깊이 (depth)를 확장합니다. 여러 후보를 병렬로 샘플링하여 너비 (breadth)를 확장하는 것은 간단하지만, 선택 병목 현상 (selection bottleneck)을 유발합니다. 즉, 점수 기반 (pointwise) LLM 판정은 노이즈가 많고 편향되어 있기 때문에, 정답 검증기 (ground-truth verifier) 없이 최적의 후보를 선택하는 것이 어렵습니다. 이를 해결하기 위해, 우리는 쌍체 Bradley-Terry 비교 (pairwise Bradley-Terry comparison)를 통해 선택하는 개체군 기반 테스트 시간 연산 프레임워크인 OpenDeepThink를 소개합니다. 각 세대 (generation)마다 LLM은 무작위 후보 쌍을 판정하고, Bradley-Terry를 통해 투표를 집합 (aggregate)하여 전역 순위 (global ranking)를 생성합니다. 상위 순위 후보들은 보존되며, 상위 4분의 3은 비교 과정에서 생성된 자연어 비판 (natural-language critiques)을 사용하여 변이 (mutated)됩니다. 하위 4분의 1은 폐기됩니다. OpenDeepThink는 8회의 연속적인 LLM 호출 라운드(실제 시간 약 27분) 동안 Gemini 3.1 Pro의 유효 Codeforces Elo를 +405점 높였습니다. 이 파이프라인은 재학습 (retuning) 없이 더 약한 모델과 더 강한 모델 모두에 전이 가능하며, 다중 도메인 HLE 벤치마크에서 이득은 객관적으로 검증 가능한 도메인에 집중되는 반면 주관적인 도메인에서는 반대로 나타납니다. 우리는 International Grandmaster의 주석이 달리고 공식 판정에 대해 99%의 로컬 평가 일치율을 보이는 73개의 전문가 평가 Codeforces 문제 세트인 CF-73을 공개합니다.