미세 조정된 체크포인트(checkpoint) 간의 선형 보간(Linear interpolation)은 상충하는 목표 사이의 파레토 프런트(Pareto front)를 추적하는 것으로 나타났으나, 추가적인 강화학습 (RL) 훈련 없이 외삽적 가중치 평균 (Extrapolative weight averaging)이 추론 시 유용한 새로운 체크포인트로 이러한 프런티어를 확장할 수 있는지 여부는 여전히 불분명합니다. 본 연구에서는 시간 및 메모리 제한 하의 숨겨진 유닛 테스트(unit tests)가 기능적 정확도(functional correctness)와 계산 효율성(computational efficiency)을 모두 강제하는 경쟁 프로그래밍을 위한 RL 분야에서 이 문제를 연구합니다. 공유된 초기화 상태에서 시작하여, 우리는 중첩된 유닛 테스트 커버리지(nested unit-test coverage) 하에서 체크포인트를 훈련합니다. 낮은 커버리지 보상은 더 작은 입력 테스트를 통과할 것을 요구하며, 높은 커버리지 보상은 전체 테스트 세트에 이르기까지 점진적으로 더 큰 테스트를 통과할 것을 요구합니다. 이러한 탐색을 통해 정확도-효율성 프런티어(correctness-efficiency frontier)의 출현이 드러납니다. 어려운 문제의 경우, 더 높은 커버리지 보상은 최적화 실패(optimization failures)를 줄이지만 정확도 실패(correctness failures)를 증가시켜, 해결률(solve rate)은 거의 변하지 않게 만듭니다. 낮은 커버리지와 높은 커버리지 체크포인트 간의 보간(Interpolation)은 이 프런티어를 복구하며, 외삽(extrapolation)은 훈련된 끝점 너머로 이를 확장합니다. 프런티어와 그 외삽적 연속은 순수 추론(pure reasoning), 도구 사용(tool use), 에이전트 코딩(agentic coding)의 세 가지 추론 설정과 32B 및 7B의 두 가지 모델 규모 전반에서 나타납니다. 문제 수준에서 프런티어를 따라 이동하면 해결되는 문제의 종류가 바뀌며, 이는 외삽된 체크포인트가 추론 시 스케일링(inference-time scaling)에서 상호 보완적인 정책(complementary policies)이 되게 합니다. 외삽적 가중치 평균을 사용한 앙상블(Ensembles)은 커버리지를 넓히고, 동일한 샘플 예산에서 최상의 단일 체크포인트 대비 LCB/hard 데이터셋의 pass@250을 3.3% 향상시킵니다. 이러한 결과는 코드 RL에서의 중첩된 유닛 테스트 커버리지가 외삽적 가중치 평균이 탐색, 확장 및 활용할 수 있는 프런티어를 유도함을 보여줍니다.