単純な信頼度は、推論トレースをフィルタリングするために使用される平均対数確率に基づいて測定します。繰り返しになりますが、高品質のオープンソースモデルへのアクセスによって可能になった非常に素晴らしい研究です。 悪い結果をプルーニングする「ジェネレータ検証者」アーキテクチャを備えた、より強力なパイプラインを探してください。検証者は、モデルインスタンス、またはこの論文で開発された内部信頼度メトリックのようなある種の数学関数にすることができます。既存のモデルは、この種のパイプラインと大規模なトークン バジェットで使用すると非常に強力です。(ここでは、AIME 2025 に使用される ~1E8 トークンです。 「DeepConfは、モデル内部の信頼度シグナルを活用して、生成中または生成後に低品質の推論トレースを動的にフィルタリングします。追加のモデルトレーニングやハイパーパラメータの調整は必要なく、既存のサービングフレームワークにシームレスに統合できます。DeepConf は、さまざまな推論タスクと、Qwen 3 や GPT-OSS シリーズなどの最新のオープンソース モデルにわたって評価します。特に、AIME 2025 などの困難なベンチマークでは、DeepConf@512 は完全な並列思考と比較して最大 99.9% の精度を達成し、生成されるトークンを最大 84.7% 削減します。」 これらのメタ研究者が OS モデル Qwen、GPT-OSS、DeepSeek を使用しているが、Llama 😢 を使用していないことに注目してください