开头：一道题的两种运气
上周写幻觉治理那篇文章时，提到过一条自查思路，但没展开。这篇把「让模型多答几次再投票」这个套路单独讲清楚，它有个正式名字：自洽采样，Self-Consistency，出自 2022 年 3 月 Google Brain 团队的论文《Self-Consistency Improves Chain of Thought Reasoning in Language Models》。
先看它治什么病。思维链 prompting 让模型把中间步骤写出来，数学题的准确率确实上去了。但每次只采样一条推理路径，意味着这道题的对错押在一次回答上：模型这次脑子走岔了，答案就错了。同一个模型、同一道题、同一个提示词，答五次可能三个对两个错，你每次只抽一次，等于抽盲盒。
自洽采样的想法很朴素：多抽几次。让模型对同一道题独立地想五条、十条甚至四十条不同的推理路径，每条路径各得一个最终答案，然后做多数投票，哪个答案出现次数最多就选哪个。论文的原话是：一道复杂的推理题通常有多种思考方式，但正确答案往往是唯一的。错的大多是错的各不相同，对的都是对的同一个样，票数自然会向正确答案集中。
方法只有三步
第一步，写一个思维链提示词，要求模型先推理再给答案。第二步，把同一个提示词发给模型 N 次。注意 N 次之间是独立的，互相看不到，这正是「自洽」的含义：各自独立想，看结论能不能对上。第三步，抽取每条路径末尾的最终答案（一般是最后一行的数字或选项），数票，取众数。
论文里怎么设采样参数的，直接照抄：UL2-20B 和 LaMDA-137B 用 temperature 0.5 加 top-k 40 截断，PaLM-540B 用 temperature 0.7 加 top-k 40，GPT-3 用 temperature 0.7 不截断。采样路径数从 1 到 40 做了扫描，结论是路径越多越好，40 条时表现最稳。论文还有一个对照实验：自洽采样 40 条路径，赢了换 40 个不同提示词的 ensemble（prompt permutation），说明收益主要来自「多路径独立推理」而不是「多提示词」。
投票的对象是最终答案，不是推理路径本身。两条路径写得天差地别没关系，只要答案都是 42，就算两票。这一点实现时要注意：需要从输出里稳定地抽取最终答案，数字题抽数字，选择题抽选项字母，抽不出来就丢弃这条路径。
效果：一张表看懂
论文摘要里给了四个算术和常识推理基准的提升幅度：GSM8K +17.9%，SVAMP +11.0%，AQuA +12.2%，StrategyQA +6.4%，ARC-challenge +3.9%。这是论文原话，一手数据。
提升不是无条件的，三个前提值得记：模型能力要够。小模型采样一百条也是错的，投票只会放大自信的错误。论文里 UL2-20B 这种小模型收益就很小。任务要有唯一答案。开放题、创作题没法投票。代码生成是半例外：最终答案（能否通过测试）可以投票，但代价是每条路径都要跑测试。题目要够难。模型一次就答对的简单题，采样十次成本翻十倍，收益接近零。
2026 年这个套路变成什么样了
论文是 2022 年的，方法本身只有三步，但它后来的演化值得单独讲。今天它以三种形态存在。
第一种：自己写循环。API 用户把「采样多次加投票」写在应用层。OpenAI 兼容接口大多支持 n 参数，一次请求返回多个候选。但要注意 API 不是为这个场景设计的：n 个候选来自一次请求内部，有些平台的 n 只是并行采样没有独立推理链；更稳的做法是自己发 N 次独立请求，每条路径独立、参数一致。另外推理模型的输出 token 是计费的，五条长推理链的成本是单条的五倍，这个账要提前算。
限速是第二个现实约束。多平台按账户充值金额限 RPM 和 TPM，一次并发十条推理请求，普通账户会被 429 拒。所以实用的自洽采样往往是 N 等于 5 或者 10，不是论文里的 40。N 的选择有讲究：任务越难、单次准确率越不稳定，N 越大越有效；简单题 3 次就够。可以先测单次准确率，再决定预算。
第二种：内置进推理强度参数。今天主流推理模型把「多想」做成了官方参数。Kimi K3.1 Pro 用 reasoning_effort 控制，三档 low、high、max，默认 max，档位越高推理 token 越多，原理和 思考模式的预算是同一个方向。思考模型的高推理档，内部机制不同，但效果方向一致：把更多计算花在推理阶段。这是自洽采样的「官方化」形态：你在参数里调的是同一个东西的抽象版本。
第三种：作为 Agent 代码里的一个投票节点。复杂 Agent 系统里，关键决策点（工具选择、路线规划）用自洽采样作为兜底：同一个决策请求 N 次，取多数。论文里那个「多数投票」的公式，在 Agent 代码里就是一个 Counter 加一个 argmax。
一个实战配方
拿数学题做例子。提示词部分要加一句硬性要求：最后一行必须是「答案：数字」这种固定格式，方便抽取。采样部分，temperature 0.7（和论文一致），N 先取 5，代码里用两个循环：一个发请求（存 reasoning 和最终答案），一个数票。投票部分就是 Counter 对最终答案计数。三个工程细节：去重，五条路径里有两个一模一样的答案算两票还是一票？论文没有区分，默认算两票。异常处理，有一条路径没抽到答案就丢弃，别让格式错误污染投票。日志，把五条推理路径都存下来，错了还能复盘是哪条路径把票带偏的。
结尾：便宜、笨，但有效的三个词
自洽采样和推理模型、推理模型选型这些话题的关系，本质上是同一枚硬币的两面：一个把「多想」放进模型内部，一个把「多想」放在应用层。（写论文的时候它确实只有一个公式），但 2022 年到今天它一直活着，原因是它把「模型不确定性」这个缺点变成了「多样性」这个优点。它不挑模型、不挑平台，改十行代码就能用。用在什么场景，取决于你对这道题的重视程度：值得多花 5 倍钱的题，就值得多问 5 次。