강화학습 (RL)은 현대 대규모 언어 모델 (LLM)의 핵심 구성 요소가 되었지만, 롤아웃 (rollout) 단계는 여전히 RL 학습 파이프라인의 주요 병목 구간으로 남아 있습니다. 다중 토큰 예측 (Multi-Token Prediction, MTP)은 투기적 디코딩 (speculative decoding)을 통해 롤아웃을 가속화하는 자연스러운 해결책을 제공하지만, 많은 연구에서 RL 학습 과정 중 MTP 수락률 (acceptance rate)이 크게 저하되어 속도 향상 성능이 제한된다는 점을 관찰했습니다. 이러한 병목 현상을 해결하기 위해, 우리는 LLM 사후 학습 (post-training)에서의 MTP에 대한 체계적인 연구인 Bebop을 제시하며, 대규모 RL 파이프라인에 MTP를 통합하기 위한 실질적인 레시피를 제공합니다. 첫째, 우리는 MTP 수락률이 근본적으로 모델 엔트로피 (entropy)의 변동에 의해 제한된다는 것을 밝혀냈으며, 이는 RL 단계에서의 엔트로피 상승과 명확한 음의 선형 관계를 보입니다. 둘째, 확률적 거부 샘플링 (probabilistic rejection sampling)이 탐욕적 초안 샘플링 (greedy draft sampling)에 비해 RL에서 엔트로피로 인해 발생하는 교란을 크게 완화함을 보여줍니다. 나아가 우리는 기존의 MTP 학습 목적 함수 (cross-entropy 또는 KL)가 이러한 설정에서 최적화되지 않음을 확인하였고, 이에 따라 다단계 거부 샘플링 수락률을 직접 최적화하는 새로운 엔드투엔드 (end-to-end) TV 손실 (TV loss)을 제안합니다. 이는 약 10%의 수락률 향상을 가져오며, 수학적 추론, 코드 생성 및 에이전트 (agentic) 작업 전반에 걸쳐 최대 95%의 수락률과 최대 25%의 추가 추론 처리량 (inference throughput) 이득을 달성합니다. 셋째, 우리는 RL 과정 중 다양한 온라인 MTP 학습 전략을 테스트하였으며, e2e TV 손실 및 거부 샘플링을 사용한 pre-RL MTP 학습이 전체 RL 과정 동안 일관된 수락률과 속도 향상을 달성하여 비용이 많이 드는 온라인 MTP 업데이트의 필요성을 제거함을 보여줍니다. 우리는 우리의 발견을 검증하는 광범위한 실험과 분석을 제공합니다. 실험 결과에 따르면, 우리의 방법은 Qwen3.5, Qwen3.6, Qwen3.7 모델의 비동기 (async) RL 학습에서 최대 1.8배의 엔드투엔드 가속을 달성합니다.