Self-Consistency 自一致性：让AI答案更可靠的投票机制
Self-Consistency（自一致性）是一种用于大语言模型的推理增强方法，通过多次采样生成多条推理路径，再从中选出最一致的答案，从而有效提升复杂问答任务中的准确率。它常与链式思维（Chain-of-Thought）配合使用，但本质上是一种后处理投票策略。
一句话解释
Self-Consistency 是一种让大模型对同一个问题重复推理多次，然后统计各个答案出现的频次，最终选择出现频率最高答案的方法。它并非修改模型本身，而是在推理阶段通过投票机制提升输出质量。
为什么会被关注
大模型在复杂推理任务中经常给出不一致的答案，同一个问题换一种问法或采样温度不同，结果可能完全不同。Self-Consistency 不依赖额外训练即可显著提升准确率，在数学、逻辑等场景中效果尤其突出，因此迅速成为提示工程技术中的常用手段。
它与 Chain-of-Thought 结合后，能够弥补单次链式推理可能走偏的缺陷，使模型在需要多步计算的题目上达到接近甚至超越人类专家的水平，这一发现直接推动了人们对“推理时计算”能力的重新认识。
核心逻辑
核心流程可分为三步：首先，对同一输入问题使用较高的温度参数（如0.8）进行多次采样，每次生成一条完整的推理路径和最终答案；然后，将不同路径产生的答案汇总，计算每个候选答案的出现次数；最后，选择出现次数最多的答案作为最终输出。
背后的假设是：尽管单次推理可能因随机性或局部错误而偏差，但正确的推理路径在多次采样中更容易趋向一致，错误的路径则各不相同的可能性更大。多数投票恰好利用了这种统计规律来过滤噪声。
常见场景
最典型的场景是数学应用题（如GSM8K）和符号推理（如Last Letter Concatenation）。在这些任务中，模型需要执行多步计算，任何一步出错都会导致答案错误，Single-pass 的准确率通常较低，而自一致性可以将准确率从60%提升到80%以上。
此外，在常识问答、复杂指令遵循以及需要事实性判断的任务（如医疗问答、法律条款解读）中，自一致性也被用作一种低成本的可靠性增强手段。开发者只需在 API 调用时循环发送多次请求并取众数即可实现。
容易混淆的点
Self-Consistency 并非模型自身的一致性（如参数对称性），而是对输出结果的集成策略。它与“多数投票”非常相似，但专指在语言模型推理采样场景下的应用，且通常配合 Chain-of-Thought 使用。
另外要注意，自一致性需要额外的计算资源（多次推理），因此在延迟敏感的场景下可能不适用。它也不等同于“温度为0”的确定性模式——后者每次都输出相同答案，但答案本身可能仍是错的。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词开源权重指大模型（如LLaMA、Mistral）公开发布的预训练参数文件，开发者可免费下载、部署并微调，极大降低了AI应用门槛。它是开源社区与商业模型竞争的关键，也引发了关于安全与可控性的讨论。
场景大模型是指针对具体行业或业务场景（如医疗、金融、教育、客服等）进行定向调优的大语言模型。它通过领域数据训练、提示工程或微调，在特定任务上表现优于通用模型，且更安全、高效。
对话式搜索允许用户通过连续的自然语言提问获取信息，搜索引擎不再返回链接列表，而是直接给出答案并支持追问。它融合了自然语言理解、生成式AI与多轮交互能力，正在重塑传统搜索体验。
答案引擎是结合大语言模型与传统搜索的新型工具，用户用自然语言提问后，系统直接返回总结好的答案并附上来源，省去翻页筛选的麻烦。Perplexity AI、天工AI搜索等是典型代表。