概念Self-Consistency / 自一致性
自洽性
由Wang等人于2022年提出的LLM推理增强方法，对同一问题生成多条独立推理链后通过多数投票或概率聚合得出最终答案，可在算术推理、常识推理等任务上显著提升准确率
核心事实
时间轴 (近 90 天)
10月30日
自洽性（self-consistency）指对同一问题采样多条推理路径并取出现频率最高的答案，不需要训练，只消耗推理算力，常被当作强化学习之前的低成本基线。
待验证50%
10月18日
可用于检测模型漂移的廉价指标包括自洽性、输出长度分布、字符 n-gram 重叠（Jaccard 相似度）、错误率与拒答率。
待验证50%
10月12日
自洽性通常采样 3-5 条推理路径并做多数投票，成本是单次调用的数倍，适合有唯一正确答案的数学与逻辑题。
待验证50%
10月12日
实践中建议先用元提示理清需求，再用自洽性处理关键计算，仅在真正需要探索性决策时才启用思维树，以避免无谓的 token 消耗和延迟。
待验证50%
全部知识事实 (5)
已验证
提示词工程的方法体系包括零样本提示、少样本提示、思维链提示（Chain-of-Thought）和树状思维（Tree of Thoughts）等技巧
70%待验证自洽性（self-consistency）指对同一问题采样多条推理路径并取出现频率最高的答案，不需要训练，只消耗推理算力，常被当作强化学习之前的低成本基线。
50%待验证可用于检测模型漂移的廉价指标包括自洽性、输出长度分布、字符 n-gram 重叠（Jaccard 相似度）、错误率与拒答率。
50%待验证自洽性通常采样 3-5 条推理路径并做多数投票，成本是单次调用的数倍，适合有唯一正确答案的数学与逻辑题。
50%待验证实践中建议先用元提示理清需求，再用自洽性处理关键计算，仅在真正需要探索性决策时才启用思维树，以避免无谓的 token 消耗和延迟。
50%