Route-Verify-Vote：程序条件化的混合领域推理自一致性

arXiv:2610.08814v1 公告类型：cross 摘要：当语言模型必须以陌生方式组合熟悉的推理操作时，组合泛化仍然具有挑战性。基于场景的常识推理评测（Scenario-Based Commonsense Reasoning Evaluation，SCoRE）2026 在三个训练数据中未出现的混合领域上测试这一能力，并要求模型为每道题识别出完整的正确选项集合。我们提出 Route-Verify-Vote（RVV），这是一个程序条件化自一致性框架，无需更新参数即可使用语言模型。Route 利用给定的领域标签选择一种推理程序，引导模型表示并应用相关约束。Verify 提示模型根据这些约束评估每个选项。Vote 汇总完整的答案集合，并将额外样本分配给两种最高频答案集合的票数差距较小的题目。每道题的样本均遵循相同的领域特定程序。在官方测试集上，对每道题采样的 16 个答案集合进行投票，可达到 74.6% 的精确集合准确率。自适应 RVV 达到 77.3%，在选定的领域路由上结合多个模型后，准确率提升至 79.4%。最终系统在参评系统中排名第二。这些结果表明，领域特定的推理程序和答案集合之间的分歧，是在混合领域推理中分配推理时计算资源的有用工具。