如何讓模型在思考時更聰明、更高效，還能對答案有把握？

最近，Meta AI與加州大學圣地亞哥分校的研究團隊給出了一個令人振奮的答案——Deep Think with Confidence（DeepConf），讓模型自信的深度思考。

論文地址：https://arxiv.org/pdf/2508.15260

項目主頁：https://jiaweizzhao.github.io/deepconf

這項新方法通過并行思考與「置信度篩選」，不僅讓模型在國際頂尖數學競賽AIME 2025上拿下了高達99.9%的正確率。

可以說，這是首次利用開源模型在AIME 2025上實現99.9%的準確率，并且不使用任何工具！

并且在保持高質量推理的同時，將生成的token數量削減了84.7%。

DeepConf還為并行思考（parallel thinking）帶來了多項硬核優勢：

• 性能飆升：在各類模型與數據集上，準確率平均提升約10%
• 極致高效：生成token數量銳減高達85%
• 即插即用：兼容任何現有模型——無需額外訓練（也無需進行超參數微調！）
• 輕松部署：在vLLM中僅需約50行代碼即可集成

以DeepConf在HMMT 25（哈佛–麻省理工數學競賽）的第11道題目上的推理過程為例。

核心思想是DeepConf通過「置信度信號」篩選推理路徑，從而得到高質量答案，并在效率與準確率之間取得平衡。

• 橫軸（token index）：表示模型生成的推理步驟（隨著token逐步增加）。
• 縱軸（confidence）：表示每條推理路徑在該步驟上的置信度水平。
• 綠色曲線：表示不同推理路徑的置信度軌跡，越深的綠色表示置信度越高。
• 紅色叉叉：低于置信度閾值的推理路徑，被動態篩除。
• 綠色對勾：最終被保留下來的高置信度路徑。
• 最終表決：這些路徑在基于置信度加權的多數表決下，最終得出統一答案：29。

DeepConf在生成過程中，會持續監控推理路徑的置信度，低置信度路徑被及時淘汰，只保留「更有把握」的路徑，提升整體準確性。

通過準確率對比曲線，上圖可以看出縱軸是accuracy（準確率），黃色曲線（DeepConf）比藍色曲線（標準方法）明顯更高。

表明DeepConf在相同投票規模下能達到更高的準確率。

下圖橫軸是token數量（推理所需的計算成本），黃色曲線在準確率保持較高的同時，token消耗明顯更少。

表明DeepConf大幅減少了無效token的生成，推理效率更優。

DeepConf讓模型不再「胡思亂想」，而是高效地走在高置信度的推理軌道上。

DeepConf支持兩種工作模式：

• 離線模式：根據置信度篩選已完成的推理路徑，然后根據質量對投票進行加權。
• 在線模式：當置信度實時降至閾值以下時，立即停止生成。

DeepConf的秘訣是什么？

其實，LLM知道自己何時開始不確定的，只是大家一直沒有認真關注過他們的「思考過程」。

之前的方法在完整生成之后使用置信度/熵用于測試時和強化學習（RL）。

DeepConf的方法不同，不是在完成后，而是在生成過程中捕捉推理錯誤。

DeepConf實時監控「局部置信度」，在錯誤的推理路徑消耗數千個token之前及時終止。

只有高質量、高置信度的推理路徑才能保留下來！

DeepConf是怎樣「用置信度篩選、用置信度投票」？

這張圖展示了DeepConf在離線思考時的核心機制：

它先判斷哪些推理路徑值得信賴，把不靠譜的路徑提前剔除，再讓靠譜的路徑進行加權投票，從而得到一個更準確、更高效的最終答案。

首先是每一token「有多確定」。

當模型在寫推理步驟時，其實每個詞（token）背后都有一個「信心值」。

如果模型覺得「這一步答案很靠譜」，信心值就高。如果它自己都拿不準，這個信心值就會低。

上圖里用不同深淺的綠色和紅色標出來：綠色=更自信，紅色=不自信。

其次，不光要看單token，還要看整體趨勢。

DeepConf不只看某一個詞，而是會滑動窗口：看看一小段話里的平均信心值，衡量「這段話整體是否靠譜」。

重點看看最后幾句話的信心值，因為最終答案、最終結論往往決定于結尾。

DeepConf也會記下這條推理鏈里最差的一步，如果中間有明顯「翻車」，這條路徑就不太可靠。

這樣一來，每條完整的推理鏈路都會得到一個綜合的「置信度分數」。

最后，是先淘汰，再投票。

當模型并行生成很多條不同的推理路徑時：

• 第一步：過濾，把「置信度分數」排序，最差的10%直接丟掉，避免浪費。
• 第二步：投票，在剩下的推理鏈里，不是簡單數票，而是按照置信度加權投票。

也就是說：一條高置信度的路徑，它的意見分量更大；低置信度的路徑，即便答案一樣，也不會拉高太多票重。

最后看一下結果，在圖的右邊可以看到：有的路徑說「答案是109」，有的說「答案是103、104、98」。

但由于支持「109」的路徑更多、而且置信度更高，所以最終投票選出了109作為答案。

成績刷爆99.9%

比GPT-5還高

離線模式結果：在AIME 2025上達到99.9%的準確率（基線為97%）！

在5個模型×5個數據集上實現普適性增益。

在所有設置下均取得約10%的穩定準確率提升。

在線模式結果：在所有基準測試中節省33%-85%的token！

在AIME 2025基準測試中，使用GPT-OSS-120B，在減少85%的token消耗下，仍達到97.9%的準確率。

該方法適用于從8B到120B的各類開源模型——在不犧牲質量的前提下實現實時高效。

在離線環境中對置信度度量進行基準測試。報告的數值為準確率（%）。

Cons@512和mean@512分別表示使用512條推理軌跡進行的多數投票結果，以及平均置信度的均值。所有實驗均重復進行了64次。

在在線環境中對DeepConf進行基準測試。

在投票規模預算為512的條件下，報告多數投票方法與DeepConf（高/低）的方法的準確率（%）以及生成的token數量（×10?）。

基于置信度的深度思考

研究者的思考是：到底怎么把「置信度」用得更巧妙，讓模型既想得更準，又想得更快呢？

正如前文所述，這里可以分成兩個使用場景：

• 離線思考：等模型把一整條推理路徑都寫完了，再回頭去評估每條路徑的置信度，把靠譜的結果聚合在一起。這樣做的好處是能最大化提升答案的準確性。
• 在線思考：在模型一步步生成推理的過程中，就實時參考置信度。如果發現某條思路不靠譜，可以及時停掉，避免浪費算力。這樣能邊走邊篩選，提升效率甚至精度。

離線思考

在離線思考模式下，每個問題的所有推理路徑均已生成。

此時的核心挑戰是：如何聚合來自多條路徑的信息，從而更準確地確定最終答案。

針對這一點，研究人員采用了標準的多數投票（majority voting）方法。

• 多數投票（Majority Voting）

在標準的多數投票中，每條推理路徑得出的最終答案對最終決策的貢獻是均等的。

設T為所有已生成路徑的集合，對于任意路徑t∈T，設answer(t)為從該路徑中提取的答案文本。

那么，每個候選答案a的票數為：

• 置信度加權多數投票

這個方法不再均等對待每條路徑的投票，而是依據其關聯路徑的置信度，為每個最終答案賦予權重。

對于每個候選答案a，它的總投票權會被重定義為：

• 置信度過濾

在加權多數投票的基礎上，還需要應用置信度過濾，才能在將投票更集中于高置信度的推理路徑。

具體來說就是，通過路徑的置信度分數，篩選出排序前η%的路徑，從而確保只有最可靠的路徑參與最終答案的決定。

選擇前10%：專注于置信度最高的少數路徑。適用于少數路徑就能解決問題的場景，但風險是如果模型存在偏見，容易選錯答案。

選擇前90%：納入更廣泛的路徑。這種方法能保持多樣性、減少模型偏見，在各路徑置信度相差不大時尤其穩健。

圖3闡釋了各種置信度度量方法以及基于置信度的離線思考的工作原理。

算法1則提供了該算法的詳細實現。

在線思考

在線思考模式通過在生成過程中實時評估推理路徑的質量，來動態終止低質量的路徑，進而確保其在后續的置信度過濾階段大概率能被排除。

對此，研究人員提出了兩種基于最低分組置信度，并會自適應地中止生成過程并調整推理路徑的預算的方法：DeepConf-low和DeepConf-high。

其中，共包含兩大核心組件：離線預熱與自適應采樣。

• 離線預熱（Offline Warmup）

DeepConf需要一個離線預熱階段，以便為在線決策過程建立停止閾值s。

對于每個新的提示詞，首先生成Ninit條推理路徑（例如，Ninit=16）。

停止閾值s定義為：

在所有配置下，DeepConf-low均統一采用前η=10%的策略，而DeepConf-high則統一采用前η=90%的策略。

在在線生成過程中，一旦某條推理路徑的置信度低于預熱階段的數據所設定的、能夠篩選出置信度排序前η%路徑的最低門檻，生成過程就會被終止。

• 自適應采樣（Adaptive Sampling）

在DeepConf中，所有方法都采用了自適應采樣，如此就可以根據問題難度動態調整所生成推理路徑的數量。

問題難度通過已生成路徑之間的一致性程度來評估，其量化方式為多數投票權重與總投票權重的比值：

若β<τ，則表明模型未能就當前問題達成共識，推理路徑的生成將繼續。反之，則停止生成，并利用現有路徑確定最終答案。

由于采用的是最低分組置信度，一個足夠大的預熱集便能產生對停止閾值s的精確估計。

因此，任何被在線終止的路徑，其分組置信度必然低于s，也就會被離線過濾器所排除。

這樣，在線流程便能近似于離線的最低分組置信度策略，并且隨著Ninit的增加，其準確率會逼近離線策略的準確率。

圖4中闡釋了在線生成的過程。

算法2則提供了該算法的詳細實現。

具體過程，我們就用上圖里的這道「勾股三元組計數」問題舉個例子。

DeepConf要在生成推理的同時判斷：哪條思路靠譜、該繼續；哪條思路不靠譜、該盡早停，從而少花token、又更準。

兩個階段：先定閾值，再在線篩

1. Offline Warm-up（上圖右側，離線預熱）

先離線跑幾條完整的推理軌跡（Trace 1～5），給每條算一個「整體有多靠譜」的分數。

按分數做一次置信度過濾，好的軌跡在上方（綠色），差的在下方（紅色）。

據此確定一個停止閾值s（圖中綠色箭頭標注）。

簡單來說就是低于 s 的，通常是不值得繼續的推理。

這一步就像「熱身+標定」，模型把「該不該停」的門檻先定好。

2. Online Generation（上圖中間，在線生成）

正式解題時，同時展開多條并行思路（多行的方塊序列）。

對每條思路，系統滾動地評估「這段話最近一小段的可靠度」（圖中方塊從左到右代表一步步的生成）。

左下 & 右下的小曲線各自表示模型的「把握」程度。

左下綠曲線表示模型對接下來的詞更「有把握」，示例文本是正經的數學推理（如「勾股三元組公式…」），這類內容通常被保留。

右下紅曲線表示模型在猶豫或「自我懷疑」，示例文本是「讓我再想想、回頭檢查一下…」，這類猶豫/兜圈子的片段常被判為低置信度，從而觸發在線早停。

先離線確定「可靠度閾值s」，再在線用s給并行思路「邊走邊檢查」。

不靠譜就當場叫停，靠譜的繼續前進。這樣就能做到既快又準了。

作者介紹

Yichao Fu

論文一作Yichao Fu是加州大學圣地亞哥分校（UC San Diego）計算機科學與工程系的博士生，師從張昊教授，也就是老朋友Hao AI Lab的負責人。 

此前，他在浙江大學獲得計算機科學學士學位。 

他的研究興趣主要為分布式系統、機器學習系統以及高效機器學習算法，近期專注于為LLM的推理過程設計并優化算法與系統。 

他參與的項目包括：Lookahead Decoding、vllm-ltr和Dynasor。