自一致性：多采样投票提精度

自一致性（Self-Consistency）由 Wang 等人在 2022 年提出，是思维链（CoT）的解码侧增强：对同一个问题生成多条不同的推理路径，再用多数投票决定最终答案。它不修改提示本身，只改变采样与聚合方式。

是什么

普通 CoT 只取一条贪心推理。自一致性把温度调高做多次独立采样，每条路径都带自己的推理步骤和答案，最后统计各答案出现的频率，选最常见的那个。其理念是：复杂问题往往有多个合理推导角度，正确结论最可能被多条路径同时指向。

为什么有效

复杂问题往往有多个正确推导角度。单次采样可能抽到一条出错路径；而多条路径同时犯同一种错误的几率更低，多数投票因此更稳健。论文显示该方法在算术与常识推理上进一步明显超过标准 CoT，且无需额外训练。

怎么做

用较高温度多次调用并解析答案，再统计：

import collections

answers = []
for _ in range(10):
    # 每次都用 CoT 提示，temperature=0.7
    answers.append(call_model(cot_prompt, temperature=0.7))

final = collections.Counter(answers).most_common(1)[0][0]

适用场景

自一致性对答案唯一、可程序化解析的任务收益最大，例如数学题、选择题、结构化抽取。对开放生成或主观写作，投票意义不大。

注意点

• 需要多次推理，成本与时间随采样数线性增长，按任务难度取舍。
• 答案要可被程序稳定解析，否则投票失效。
• 对事实性单选题收益大，对开放生成类任务意义有限。

小结

自一致性通过多条推理路径的多数投票降低单次推理出错的偶然性，是提升 CoT 准确率、几乎不增加提示复杂度的实用技巧。

参考与延伸阅读

• Self-Consistency 原始论文（Wang 等, 2022）。已核验。https://arxiv.org/abs/2203.11171
• Chain-of-Thought 论文（CoT 基础）。已核验。https://arxiv.org/abs/2201.11903