Como funciona
Self-consistency é uma estratégia de decodificação que gera várias respostas para a mesma entrada, com cadeias de pensamento variadas, e toma a resposta mais frequente entre elas. Em vez de um único caminho de raciocínio, o modelo amostra várias trajectórias e segue a maioria. A amostragem garante que cada tentativa siga um caminho um pouco diferente, e uma regra simples contabiliza quais respostas aparecem com mais frequência antes de devolver a mais repetida. A diversidade das tentativas é controlada pela temperatura e pelo número de amostras, e o resultado final é uma espécie de votação entre trajectórias de raciocínio. Esse processo funciona bem em questões de múltipla escolha, em raciocínios passo a passo e em decisões com várias alternativas, desde que cada tentativa seja verdadeiramente independente. Quanto mais caminhos válidos o modelo encontrar, melhor a escolha definida pela maioria. A regra de maioria funciona bem quando as tentativas são independentes; se todas seguem o mesmo raciocínio equivocado, o resultado também estará. Para mitigar esse risco, é recomendável configurar uma temperatura moderada e revisitar os casos em que as tentativas concordam entre si.
Exemplo prático
Para uma soma complexa, o modelo gera cinco caminhos de conta. Quatro chegam ao mesmo resultado e um, a um valor ligeiramente diferente. O resultado final é o que aparece com mais frequência, o que corrige alguns erros pontuais de cada caminho. Em problemas de múltipla escolha, a resposta que mais aparece entre as variações costuma ser mais confiável, pois o modelo converge para o consenso entre vários raciocínios diferentes.
Para que serve
Self-consistency serve para melhorar a estabilidade de respostas em tarefas de raciocínio, matemática e tomada de decisão. Funciona bem quando o modelo tem acesso a várias trajectórias válidas e o erro de uma delas não explode o resultado final. O custo é mais tokens e tempo, então vale a pena usá-lo em casos decisivos em que o preço de um erro é alto. Em tarefas rápidas e rotineiras, o benefício pode não justificar o custo adicional de processamento.
Diferença entre X e Y
Diferente da cadeia de pensamento única, que orienta o modelo por um único caminho, o self-consistency usa várias. A temperatura e o número de amostras controlam a diversidade das tentativas; cadeia simples segue sempre o caminho mais provável, sem variar o raciocínio.