自一致性

自一致性方法通过多次采样生成多个推理路径，然后通过投票或聚合选择最一致的答案。这种方法利用了「正确答案更容易被多次独立推导出」的原理，显著提升推理任务的准确性。

高级 推理增强

适用场景

推理任务需要高准确性时；单次 CoT 结果不够可靠时；有足够的计算预算时；需要置信度评估时。

请用 3 种不同的方法解决以下问题，然后选择出现最多的答案：

问题：一个班有 40 人，男生比女生多 8 人，男生有多少人？

方法 1（代数法）：设女生 x 人...
方法 2（算术法）：总人数减去差...
方法 3（验证法）：假设一个答案验证...

方法 1（代数法）：
设女生 x 人，男生 x+8 人
x + (x+8) = 40 → 2x = 32 → x = 16
男生 = 24 人

方法 2（算术法）：
(40 + 8) / 2 = 24
男生 = 24 人

方法 3（验证法）：
假设男生 24 人，女生 16 人
24 + 16 = 40，24 - 16 = 8
男生 = 24 人

三种方法一致：男生有 24 人。置信度：高。

最佳实践

• 采样次数通常 3-5 次即可
• 使用较高温度（0.7-0.9）增加多样性
• 对于选择题，直接统计答案频率
• 可以要求模型自己执行多路径推理

常见坑

• 计算成本是单次调用的 N 倍
• 如果问题本身有歧义，投票可能无法收敛
• 所有路径都错误时投票也无法纠正