基于置信度的分叉思考

并行思考虽提升了大模型推理性能，但现有“先思后决”范式易导致过度生成。本文提出“先决后思”的新范式——Fork-think with Confidence，即利用单一种子路径的模型置信度识别关键分叉点，随后触发多路采样并聚合结果。实验表明，该方法在三个基准测试中减少了高达 30% 的 token 消耗和 57% 的运行时间，性能媲美或优于现有并行思考方法，且无需额外训练，确立了预定义分叉作为高效推理的重要研究方向。