多提示聚合

通过多提示聚合（multi-prompt aggregation），强调那些在提示变体间保持一致的判断，可以显著提升LLMaJ评估的鲁棒性。

多提示聚合借鉴了集成学习降低方差的思路：对同一评估任务构造多个语义等价但措辞不同的提示，分别获取评审判决，再通过投票、平均或一致性加权进行合并。

多提示聚合与自一致性（self-consistency）采样有相似之处，但区别在于变化维度是提示而非解码随机性。

多提示聚合的代价是评审调用次数成倍增加，因此实践中需在鲁棒性收益与推理成本之间权衡，例如仅对排名接近的模型对启用多提示聚合。