通过前缀一致性实现可靠的思维链

大型语言模型常通过采样多条思维链轨迹并结合多数投票（自洽性）来提升推理任务准确率。研究发现，截断并重新生成思维链时，正确答案的轨迹比错误答案更易复现原结果。利用这一差异提出的“前缀一致性”作为可靠性信号，无需访问令牌对数概率或自评提示即可加权候选答案。在五个推理模型及四个数理基准测试中，该方法成为多数场景下最佳的正确率预测器，并以少至 21 倍（中位数 4.6 倍）的 token 消耗达到标准多数投票的精度 plateau。