双维一致性：平衡自适应推理时扩展中的预算与质量

大型语言模型在推理方面展现出卓越能力，但通过推理时扩展最大化其潜力时，面临采样预算与推理质量之间的权衡挑战。现有策略通常将采样宽度和深度视为正交目标，导致效率低下：宽度共识方法可能强化幻觉，而深度剪枝机制则过早截断复杂但有效的推理链。为此，我们提出了双维一致性（DDC）框架，将路径质量与自适应终止相结合。通过耦合置信度加权贝叶斯协议与趋势感知分层剪枝，该方法确保计算资源集中于高质量推理路径，在过滤幻觉的同时加速共识达成。五个基准测试表明，该方法在多种 LLM 上减少了超过 10 倍的 token 消耗，同时保持或超越了强基线的准确率。