生成系言語モデルは、トレーニングから実運用に至るまで多くの課題に直面しています。その主要な問題の1つは、推論段階でのモデルの最適なパフォーマンスを達成する方法です。現在の人間からのフィードバックによる強化学習（RLHF）などの対策は、主にモデルの勝率向上に重点を置いていますが、Best-of-Nサンプリングや制御デコーディングなどの推論時のデコーディング戦略はしばしば無視されています。このようなトレーニング目標と実際の使用状況のギャップにより、効率の低下や出力の質と信頼性の低下につながる可能性があります。これらの問題を解決するために、Google D