Proste miary pewności oparte na średnim prawdopodobieństwie logarytmicznym używane do filtrowania śladów rozumowania. Jeszcze raz, bardzo fajne badania umożliwione dzięki dostępowi do wysokiej jakości modeli open source. Szukaj coraz potężniejszych pipeline'ów z architekturą "generator-weryfikator", która przycina złe wyniki. Weryfikator może być instancją modelu lub jakąś funkcją matematyczną, taką jak wewnętrzne metryki pewności opracowane w tym artykule. Istniejące modele są bardzo potężne, gdy są używane z tego rodzaju pipeline'ami i dużymi budżetami tokenów. (Tutaj, ~1E8 tokenów użytych dla AIME 2025.) "DeepConf wykorzystuje wewnętrzne sygnały pewności modelu do dynamicznego filtrowania niskiej jakości śladów rozumowania podczas lub po generacji. Nie wymaga dodatkowego szkolenia modelu ani dostrajania hiperparametrów i może być płynnie zintegrowany z istniejącymi frameworkami serwisowymi. Oceniamy DeepConf w różnych zadaniach rozumowania oraz na najnowszych modelach open-source, w tym Qwen 3 i serii GPT-OSS. Co ważne, w trudnych benchmarkach, takich jak AIME 2025, DeepConf@512 osiąga do 99,9% dokładności i redukuje generowane tokeny o do 84,7% w porównaniu do pełnego równoległego myślenia." Zauważ ironię tych badaczy z Meta, którzy używają modeli OS Qwen, GPT-OSS i DeepSeek, ale nie Llama 😢