Prompt Engineering中的“自洽性增强法”是什么？

为了提升解题策略的准确性和可靠性，「自洽性增强法」（Self-consistency Enhancement）近年来成为了一个重要的补充手段。这种方法不仅仅局限于构建单一的推理链路，而是通过生成多条独立的思考路径，并从中提炼出最常见的解答，以达到优化最终结果的目的。

具体操作

具体操作时，首先根据已有的少量样本推理链路作为模板，引导模型独立产生多个推理过程。如同下图所示，我们可以观察到一个使用少样本推理链例子编制的提示，它引导生成了多个独立的思考路径。

从每条路径中，我们提取出一个答案，并通过所谓的「边缘化推理路径」技术，即通过对答案进行汇总并选择出现频率最高的答案，来确定最终的解决方案。这种方法的核心在于通过数量上的优势，来提高决策的准确率和可信度。

有效性

「自洽性增强法」的有效性已经在多个领域得到了验证，包括但不限于算术问题、常识判断以及符号逻辑推理等领域。研究显示，即便是在传统思路链提示无法奏效的情况下，这种方法依然能够显著提升问题解决的成功率。

更为复杂的方法

值得一提的是，Wang 等人在他们的研究中还讨论了一种更为复杂的「边缘化推理路径」方法，该方法考虑了每条思路链在生成时由大型语言模型计算出的概率。尽管他们的实验并未采用这种方法，但多数投票的策略在很多情况下已经显示出了相同甚至更好的效果。

想深入了解DeepSeek的核心玩法 扫描下方二维码加入微信群