코드 생성(Code Generation)을 위한 대규모 언어 모델(LLMs)은 일반적으로 Pass@k를 사용하는 반복 샘플링 설정에서 평가되며, 여기서 제한된 샘플링 예산 내에서 여러 후보 프로그램이 단위 테스트(Unit Tests)를 대상으로 실행됩니다. 최근의 검증기 기반 강화학습 (Verifier-based Reinforcement Learning, RLVR) 방법들이 실행 가능한 정확도(Executable Correctness)를 향상시키고 있지만, 이러한 목적 함수들이 샘플링된 프로그램들 사이의 중복성(Redundancy)에 어떤 영향을 미치는지에 대해서는 여전히 잘 알려져 있지 않습니다. 본 연구에서는 코드 표절 탐지 시스템인 JPlag를 사용하여 코드 생성에서의 구현 수준 중복성을 연구합니다. 다양한 모델과 벤치마크(Benchmarks)에 걸쳐, 우리는 정확도만을 목표로 하는 RLVR이 생성물을 반복되는 구현체 주변으로 집중시키는 경향이 있는 반면, Pass@k를 인식하는 목적 함수는 더 낮은 중복성을 유지하고 더 큰 예산에서의 성능을 향상시킨다는 것을 보여줍니다. 이러한 관찰 결과에 착안하여, 우리는 JPlag 유사도에 기반한 직접적인 반중복성 보상(Anti-redundancy Rewards)을 통해 RLVR을 증강합니다. 3개의 모델과 3개의 벤치마크에 대해, 유사한 중복 생성(Near-duplicate Generations)을 억제하는 것이 제한된 예산 내의 실행 가능 성능을 안정적으로 향상시키며, 종종 특화된 Pass@k 인식 목적 함수와 대등하거나 이를 능가하는 성능을 보임을 입증합니다.