更聪明，不是更难：AI的自我怀疑如何解锁峰值性能

简介

（LLMS）越来越能够解决复杂的推理任务，例如数学奥林匹克问题，科学问答和多步逻辑难题[3,8]。但是他们真的很棒吗？是的，他们是，但是现在，它们在测试时非常昂贵且效率低下[5,6]。为了应对这一挑战，Meta AI的研究人员提出了一种称为“ DeepConf”的解决方案，也称为“深思熟虑” [1]。

奥林匹克问题，科学问答和多步逻辑难题 [3,8] [5,6] meta ai DeepConf 深思熟虑地思考” [1]

有一个被称为自洽多数投票的问题。

我确定您想知道这个问题在实践中会是什么样。想象一个由100名学生组成的教室。您给了他们一个复杂的奥林匹克问题，并解决了一个小时。最后，您可以采取所有答案并投票 - 选票最多的答案“获胜”。

（来源：作者）

这是与LLMS中多数问题的自遇到的方式[2,3]。该模型不仅是1个解决方案，还探索了数百个推理路径（例如，512个不同的分步解决方案），然后选择最频繁的答案。

[2,3]

在AIME 2025数学基准测试中，QWEN3-8B的单个通过（称为Pass@1）的精度约为68％；这就像从1个学生那里获得1个答案。但是，如果您每个问题生成512个推理迹线（称为conf@512）并取得多数答案，则准确度会跳至82％[1,4]。

AIME 2025数学基准， Qwen3–8b 68％ 512个问题的推理迹线 82％ [1,4] 听起来很棒，对吗？捕获的是，这些额外的511痕迹会产生近1亿个额外的代币，而更多的痕迹并不总是有帮助的。当低质量解决方案主导投票时，绩效将保持不变，甚至有时会下降[1,7,8]。换句话说，如果学生们随机猜测，那么班级投票就不会反映房间中最好的思想家[1]。 1亿个代币， [1,7,8] 研究人员对此做了什么：早期修复 [1,11] “可信赖” [1,6] 。 512个问题的推理迹线 82％

[1,4]

听起来很棒，对吗？捕获的是，这些额外的511痕迹会产生近1亿个额外的代币，而更多的痕迹并不总是有帮助的。当低质量解决方案主导投票时，绩效将保持不变，甚至有时会下降[1,7,8]。换句话说，如果学生们随机猜测，那么班级投票就不会反映房间中最好的思想家[1]。 1亿个代币，

[1,7,8]

研究人员对此做了什么：早期修复 [1,11] “可信赖” [1,6]。