Medidas de confianza simples basadas en la probabilidad logarítmica promedio utilizadas para filtrar trazas de razonamiento. Una vez más, una investigación muy interesante habilitada por el acceso a modelos de código abierto de alta calidad. Busque más y más potentes canalizaciones con arquitectura "generador-verificador" que eliminan resultados malos. El verificador puede ser una instancia de modelo, o algún tipo de función matemática como las métricas de confianza internas desarrolladas en este documento. Los modelos existentes son muy potentes cuando se utilizan con este tipo de canalización y grandes presupuestos de tokens. (Aquí, ~1E8 tokens utilizados para AIME 2025.) "DeepConf aprovecha las señales de confianza internas del modelo para filtrar dinámicamente trazas de razonamiento de baja calidad durante o después de la generación. No requiere entrenamiento adicional del modelo ni ajuste de hiperparámetros y se puede integrar sin problemas en los marcos de servicio existentes. Evaluamos DeepConf en una variedad de tareas de razonamiento y los últimos modelos de código abierto, incluidos Qwen 3 y la serie GPT-OSS. Notablemente, en bancos de pruebas desafiantes como AIME 2025, DeepConf@512 logra hasta un 99.9% de precisión y reduce los tokens generados en hasta un 84.7% en comparación con el pensamiento paralelo completo." Note la ironía de estos investigadores de Meta utilizando modelos de código abierto Qwen, GPT-OSS y DeepSeek, pero sin Llama 😢