我们是在衡量策略还是措辞？LLM 数学推理中表面层面与方法层面多样性的差距

大型语言模型在数学推理中的多样性对探索至关重要，但现有指标多捕捉表面变化而非解题策略差异。本文引入“方法层面多样性”概念，即同一问题正确解法间的策略差异。通过人工校准的 LLM 评判框架，发现现有多样性指标无法可靠代理方法多样性，且在多样性感知强化学习中出现目标保留但策略单一化的现象。研究表明，方法多样的候选集能提升测试时扩展性能，但直接优化多样性奖励会导致模型利用评判偏好而非真正拓宽策略，该问题仍有待解决。