自洽性（Self-Consistency）：用多次采样投票换稳定

一句话定义

自洽性（Self-Consistency）对同一问题用温度 > 0 采样多条推理路径，对最终答案做多数投票，用"共识"替代"单次豪赌"来提升正确率。

为什么重要

它是把 采样参数与输出随机性：提示为何"时灵时不灵 的随机性从敌人变成资源的第一个技法：单条思维链会随机出错，但"多条独立推理得出同一答案"的概率结构使得正确答案更可能胜出。在正确率比成本重要的场景（评测基准、高风险判定、数据标注质量抽检），这是不训练模型就能拿到的最实惠提升。同时你必须会算它的成本账——它不便宜。

前置知识

• 思维链（CoT）：让推理显式化：投票对象是各条 CoT 的最终答案；
• 采样参数与输出随机性：提示为何"时灵时不灵：温度参数决定路径多样性——温度 0 下自洽性退化为无意义（N 条相同输出）。

直观类比

面对一道争议题，问一个专家可能翻车，独立问五位专家取多数意见翻车概率小得多——前提是他们独立思考（温度带来路径差异）而不是互相通气（路径同质）。

图示

            ┌─ 路径1 → 推理 → 答案：B ┐
同一问题 ──┼─ 路径2 → 推理 → 答案：B ├→ 投票：B×3，A×1 → 输出 B（置信 0.75）
（温度0.7） └─ 路径3 → 推理 → 答案：B ┘        （×n 条并行）

核心概念

• 采样宽度（n）：同题生成的路径条数，常见 3~10。
• 答案抽取：从每条推理链的答案区提取规范化答案（如"42"、"正面"），投票前必须归一化（"42 元"与"42.0 元"算同一答案）。
• 多数投票（Majority Vote）：取出现次数最多的答案；平票时可用置信度或首轮答案打破。
• 一致性作为置信度：最高票占比本身是有用的置信信号——占比低说明问题对模型困难，可路由到人工或改写重试。

原理与机制

为什么投票有效：单条路径出错是随机的、路径间相关性低的错误在投票中被稀释；正确路径的答案往往彼此一致。论文在算术与常识推理基准上获得大幅提升。工程推论：

1. 多样性是前提：温度过低 → 路径同质 → 投票无效；温度过高 → 路径全错 → 投票选出的也是错的，存在最优温度带（常用 0.5~0.8，需实测）；
2. 只对"答案可枚举/可归一"的任务投票：分类、选择、数值答案适合；开放式生成（文案）没有票可投；
3. 成本线性放大：n 条路径 ≈ n 倍 token 成本与延迟，因此生产上常组合使用——低风险请求走单路，高风险请求才升级为 n 路投票（级联策略）。

公式或模型

设 n 条路径各自的规范化答案为 a₁, …, a_n，候选答案集合 A，输出

answer = argmax_a∈A |{ i : a_i = a }|

置信度 = 最高票数 / n。工程规则：置信度 < 阈值（如 0.5）时拒绝输出并转人工/重试——投票不仅给答案，还给了"该不该信"的度量。

实例或案例

案例：工单自动分级的置信度路由。 任务：把工单分为 P0~P3 四级，分错 P0 的代价极高。操作步骤：① 普通工单走单路（温度 0）保成本；② 模型输出"涉及资金/安全"关键词的工单升级为 n=5、温度 0.7 的自洽性投票；③ 置信度 = 最高票/5；④ 置信度 ≥ 0.8 自动采纳，0.5~0.8 转二次复核，< 0.5 直接人工。结果：高准确率与可控成本的折中。投票提示骨架（循环调用实现）：

{同一 CoT 提示，固定不变}
调用 n=5 次（temperature=0.7）
从每次输出的「答案：X」行抽取 X，归一化后计数
输出最高票；同时输出（最高票数/5）作为置信度

排错清单：

• 症状：投票结果与单路差不多 → 检查温度是否太低导致路径同质；
• 症状：票数分散、置信度常年低 → 任务本身歧义大，先改提示或补示例（回到 零样本、少样本与示例工程）而不是加宽 n；
• 症状：答案归一化把不同答案误并 → 抽取规则写进代码并加测试，不要让字符串比较决定投票。

常见误区

• 在温度 0 下做自洽性：N 条完全相同的输出，投票毫无意义，白花 n 倍钱；
• 对开放式生成投票：文案、摘要没有规范答案空间，硬投票只会选出"最平庸"的版本；
• 把置信度当准确率：一致性高只说明模型自洽，不代表正确（模型可能一致地错）——高风险场景仍需抽验校准。

自测题

1. 为什么自洽性要求温度 > 0？

答：需要路径间多样性，温度 0 采样出的路径相同，投票退化为单次输出。

1. n=5、最高票 3，置信度多少？决策是什么？

答：0.6；按预设阈值路由（如需 ≥0.8 则转复核），不能只取答案不看置信度。

1. 为什么"一致地错"是可能的，如何发现？

答：若提示或示例引导了系统性偏差，所有路径会共享偏差；用带标准答案的小评估集抽验校准。

与其他知识点的关系

采样参数与输出随机性：提示为何"时灵时不灵 提供参数基础；自动评估与 LLM-as-Judge 的 LLM-as-Judge 是另一种"用多视角换可靠"的评估侧兄弟方法；级联路由的成本思想与 上下文窗口与注意力预算 预算原则同源。

延伸阅读

• 论文：Self-Consistency Improves Chain of Thought Reasoning in Language Models（Wang et al., 2022）。