Wann man dazu greift
- Die stochastische Vielfalt von Modellen genutzt werden soll.
- Das Ergebnis robust gegen einzelne Logikfehler in einzelnen Durchläufen sein muss.
Self-Consistency.
Über viele Köpfe abstimmen. Auf die Mehrheit einigen.
Das System generiert mehrere unabhängige Denkausgaben für denselben Prompt und führt die Ergebnisse anschließend per Konsens oder Abstimmung zu einer finalen Antwort zusammen.
Wann es nach hinten losgeht
- Die Aufgabe ohnehin deterministisch validierbar ist.
- Die Kosten pro Anfrage streng begrenzt sind.
Die Abwägung
Deutlich robustere Antworten gegenüber falschen Pfaden, erkauft durch mehrfache Inferenzkosten.
Was es tatsächlich tut.
Mehrere Stichproben stimmen ab; die Mehrheitsantwort gewinnt.
Zwei Wege, wie dieses Pattern Probleme verursachen kann.
Mehrheitliche Einigung auf dieselbe Halluzination
Alle Reasoning-Läufe teilen denselben Trainings-Bias und stimmen einer falschen Antwort zu. Mehrheitsabstimmung verstärkt den Fehler.
Lösung · Unterschiedliche Prompts oder Modelle für jeden Reasoning-Lauf verwenden oder einen Prüfer hinzufügen, der gegen eine externe Quelle überprüft.
Gerade Anzahl von Wählern ohne Tie-Break-Regel
Ein 2-zu-2-Unentschieden lässt den Mehrheitsknoten ohne klaren Sieger. Das System hängt oder wählt willkürlich.
Lösung · Ungerade Anzahl von Reasoning-Läufen verwenden oder einen Tie-Break definieren (z. B. Stimme mit höchster Konfidenz oder an Mensch eskalieren).
Wo Self-Consistency nativ ist.
Microsoft Agent FrameworkMulti-SampleNativ
Anthropic Cookbookals Rezept dokumentiertAnpassbar