개방형 생성(open-ended generation)에서 대규모 언어 모델(LLM)은 반복적인 퇴보와 어휘의 단조로움으로 특징지어지는 "우도 함정(likelihood trap)"에 자주 빠지며, 이는 기계가 생성한 텍스트와 인간이 작성한 텍스트 사이의 불일치를 야기합니다. 사후적 꼬리 절단(post-hoc tail truncation, 예: Top-$p$, Min-$p$)은 신뢰할 수 없는 꼬리 부분에서의 샘플링은 피할 수 있지만, 보정되지 않은 헤드(head) 부분에서 과도하게 샘플링하여 생성 결과가 인간의 어휘 선호도와 어긋날 수 있습니다. 마찬가지로 고정된 스칼라 반복 페널티(fixed scalar repetition penalties)는 추론 단계 전반에 걸친 로짓 스케일(logit scale)의 변화를 무시하여 잠재적으로 의미적 일관성(semantic coherence)을 해칠 수 있습니다. 이러한 두 가지 한계를 해결하기 위해, 우리는 절단(truncation) 전 단계에서 두 가지 동적 메커니즘을 통해 확률 분포를 재형성하는 훈련이 필요 없는 디코딩 전 개입 방식인 분산 보정 변조(Variance-Calibrated Modulation, VCM)를 제안합니다: (1) PMI를 통한 문맥적 서치라이트(Contextual Searchlight via PMI)는 전역적 불용어(stopwords)를 억제하는 동시에 문맥에 의해 유도된 토큰을 높여주며, (2) 적응형 자기 디바이아싱(Adaptive Self-Debiasing)은 실시간 로짓 표준 편차(logit standard deviation)를 사용하여 스케일 불변 페널티(scale-invariant penalization)를 적용합니다. 개방형 생성, 사실적 질의응답(factual QA), 수학적 추론 전반에 걸쳐 VCM은 우도 함정을 일관되게 완화합니다. 계산 오버헤드가 무시할 수 있는 수준인 VCM은 기존의 디코딩 전략과 통합되어 다양성, 일관성, 그리고 특히 더 높은 디코딩 온도(decoding temperatures)에서 추론 정확도를 향상시킵니다.