无需训练就登顶！RVV框架混合推理准确率飙至79.4%，SCoRE 2026排名第二
Route-Verify-Vote: Procedure-Conditioned Self-Consistency for Mixed-Domain Reasoning
📖 AI 总结
本文提出 Route-Verify-Vote（RVV）框架，旨在解决语言模型在混合域推理中的组合泛化难题，即模型需以不熟悉的方式组合熟悉的推理操作。该方法无需更新模型参数，通过三个步骤实现：Route 依据给定的领域标签选择相应推理程序，引导模型表征并应用相关约束；Verify 促使模型逐项检验每个选项是否满足约束；Vote 则聚合完整答案集，并对两个最高频答案集票数差距较小的问题追加采样。在 SCoRE 2026 官方测试集上，每题采样 16 个答案集进行投票的精确集合准确率为 74.6%，自适应 RVV 提升至 77.3%，在选定领域路径上组合多模型后进一步达到 79.4%，最终系统在参赛系统中排名第二。结果表明，领域特定推理程序与答案集分歧可作为分配推理时计算资源的有效依据。
🔑 关键词速览
| Route-Verify-Vote (RVV) | 一种无需参数更新的框架，通过路由选择推理过程、验证选项、投票聚合答案集来实现过程条件化自一致性。 |
| SCoRE 2026 | 基于场景的常识推理评估，在三个训练中未出现的混合领域上测试模型的组合泛化能力。 |
| 过程条件化自一致性 | 一种自一致性方法，其中每个样本都遵循由领域标签选择的特定推理过程，以增强推理的一致性。 |
| 精确集合准确率 | 评估指标，要求模型预测的答案集合与真实答案集合完全一致才算正确。 |
| 自适应 RVV | 在基础 RVV 上增加自适应机制，根据投票差距动态分配额外样本，以提高准确率。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅