自一致性

先看一个麻烦

你让一个模型算一道有点绕的应用题。它给了个答案，看起来挺像样，推理过程也一步一步写得整齐。你不确定对不对。

于是你把同一道题又问了一遍。它给了个不一样的答案，推理过程同样整齐。

再问一遍，又不一样。

现在你有三个答案，每一个都自称正确，每一个的过程读起来都通顺。你手上没有标准答案——如果有的话你一开始就不用问了。

问题很具体：手上有几份互相矛盾的答案，怎么挑？

几个朴素猜测

猜测一：让它别乱来。把随机性关掉——温度设成 0，每次只取概率最高的那个词。这样三遍问出来的答案就一致了。

一致，但不是对。温度 0 让你每次都走同一条路，包括每次都犯同一个错。你消灭的是分歧，不是错误。而且分歧本身是有信息的：一道题如果它答三遍都是同一个答案，和三遍三个答案，这两种情况你的信心显然不该一样——关掉温度就把这个信号也一起扔了。

猜测二：让它自己挑。把三份答案都摆给它看，问”哪份最好”。

这一步很自然，也是很多流程实际在做的事。但它悄悄要求了一个新能力：模型得能分辨自己的对与错。而这恰恰是它欠的——如果它能可靠识别自己的错误，它第一遍就不会犯。2026 年一篇等成本对照实验直接测了这件事：同样八份样本，让模型挑 vs. 直接数众数，挑的那一边在 5 组配置里输了 2.0 到 17.3 个百分点，一组都没赢过。

猜测三：看它自己说的置信度。让它给每个答案打个分。

模型报的置信度和它实际的正确率对不上，而且错的时候往往报得同样高。用一个不可靠的自评去筛选，只是把问题挪了个位置。

看看这三次撞墙的共同点：都在试图判断哪份答案好。而判断质量恰好是这个模型的弱项。有没有办法绕开判断？

机制

有。不判断，只计票。

把同一道题独立问 $N$ 遍（温度调高，让每遍真的走不同的路），只抽出每遍的最终答案，扔掉推理过程，数哪个答案出现次数最多。

       ┌── 采样 1 ── 推理…推理…推理 ──→ 答案 42
       │
       ├── 采样 2 ── 推理…推理…推理 ──→ 答案 42
       │
问题 ──┼── 采样 3 ── 推理…推理…推理 ──→ 答案 17
       │
       ├── 采样 4 ── 推理…推理…推理 ──→ 答案 42
       │
       └── 采样 5 ── 推理…推理…推理 ──→ 答案 91

                     计票：42→3  17→1  91→1
                              ↓
                          输出 42

关键在推理过程被丢掉了。它只在生成阶段起作用（让模型有机会走对），在选择阶段完全不参与。选择只看最终答案的字符串重复了几次。

这为什么能行？因为错误是分散的，正确是集中的。一道题只有一个正确答案，但通往错误的路有很多条：这里少乘一次、那里符号弄反、另一处读错条件。五次采样如果错三次，这三次很可能错向三个不同的答案；而对的那两次必然落在同一个答案上。于是即使正确率只有 40%，众数依然可能是对的。

用一个粗糙但够用的模型看：假设单次正确率 $p$，错误均匀分散在 $m$ 个不同的错误答案上。那么每个错误答案的单次概率是 $(1-p)/m$。只要 $p > \frac{1-p}{m}$ 正确答案的期望票数就高于任何单一错误答案，$N$ 越大越稳。$m$ 越大——也就是错法越五花八门——这个条件越松。

这也解释了它什么时候失效：如果模型有个系统性的偏见，总是错向同一个答案（$m=1$ 且那个错答案概率高于 $p$），计票会稳定地放大这个错误。重复采样修不了系统偏差，只能压随机波动。

为什么值得知道

它是所有”花更多算力换准确率”方法的基线。这是最实用的一条。任何号称能提升推理质量的技巧——自我批评、重写、多智能体辩论、先规划后执行——都要多花 token。而多花的 token 有一个平凡的用法：多跑几遍取多数。和这个平凡用法比，赢了才算赢。跟只跑一遍的成绩比是没有意义的，因为成本不一样。

2026 年那篇等成本对照就是这么做的：把七种方法实测的 token 数量出来，再给自一致性配同样的预算，逐题配对比较。36 组对照里没有一组赢过配平后的自一致性，10 组显著输。

它需要答案可聚合。“数哪个出现最多”要求答案能精确比对——数值、选项、短字符串可以。写代码、写文章、多轮对话不行：两份都正确的实现可以长得毫无相似之处，众数无从定义。这是它的适用边界，也是自省类方法仍然必要的地方。

它的收益会饱和。票数是在压随机噪声，$N$ 从 1 涨到 8 提升明显，从 8 涨到 64 就平了；模型本身够强的时候（单次正确率本来就 90%），可捞的余量也小——那篇论文里 7B 模型上判 vs. 数的差距缩到 2.0 个百分点且不显著。方法的价值和模型的弱点成正比。

分歧率本身是个可用信号。$N$ 份答案的分布不只用来投票。如果 8 份里 8 份一致，和 8 份里最高票只占 3 份，后者该被标记为”这道题模型没把握”。很多流程白扔了这个信号——它是你能拿到的、少数几个不依赖模型自评的置信度估计之一。

收束

回到开头：三份互相矛盾的答案，怎么挑。

三个朴素猜测都栽在同一处——它们都要求判断哪份好，而判断质量正是这个模型的弱项。关掉温度只是让分歧消失而错误留下；让模型自选、让它自评置信度，都在向它索取它没有的能力。

自一致性的答案是绕开判断：不问”哪份好”，只问”哪个答案重复得多”。它换来的准确率不来自任何新能力，只来自一个关于错误分布的假设——对只有一种，错有很多种。

所以它的适用条件恰好就是这个假设成立的时候：答案能精确比对（否则无法计票）、错误分散（否则计票放大偏差）、模型有余量可捞（否则没什么可压的噪声）。三条里少一条，它就退化成纯粹的算力浪费。

而它最重要的用途甚至不是拿来提准确率，是拿来当尺子：下次看到一个声称更聪明的推理流程，先问它的 token 花销折算成多少次重复采样，再问它有没有和那个数比过。