同一个问题连问大模型几次，答案却各不相同，该信哪一个？这是推理阶段最常见的尴尬。单次采样结果带有随机性，尤其在数学推导、多步推理和开放式问答里，一次抽样答对可能只是运气，一次答错也未必代表模型不会。自一致性方法的思路很朴素：同一问题采样多条推理路径，再用多数投票选出最一致的答案，用重复换取稳定。具体做法是把采样温度调到一个能产生多样性的水平，对同一提示词独立生成多条带推理过程的回答，然后对最终答案做归一化处理再投票。归一化这一步很关键，同一答案的不同写法要先合并，例如数值结果要统一格式，选项类答案要映射到同一选项，否则票数会被表面差异拆散。投票之后还可以看票数分布，票数高度集中说明结论比较稳，票数分散则说明问题本身有歧义，或者推理路径分叉严重，这时直接输出最高票答案反而可能误导。这套方法适用的边界要先讲清楚。它改善的是采样波动带来的不稳定，而不是模型本身的知识短板，模型压根不知道的问题，投再多票也不会变对。成本也随采样条数线性上升，延迟和算力开销都要算进账，实时性要求高的场景要限制采样条数，或者只对关键问题启用。投票规则同样值得推敲，简单多数在答案空间较小时好用，答案空间大且分散时需要先聚类再投票，或者引入二次校验，例如用另一条提示词复核最高票答案的推理过程是否自洽。落地时建议三件事。第一，按任务分级使用，把多路投票留给高价值、低容错的环节，常规问答走单次生成。第二，把投票过程和票数分布记下来，线上出现争议答案时有据可查，也能反向发现哪些问题最容易分叉。第三，投票结果不要直接当成最终答案原样输出，遇到票数接近的情况应当标注不确定性，或者触发人工复核和追问，把不确定性暴露出来比硬给一个答案更负责任。