Măsurători simple de încredere bazate pe probabilitatea logaritmică medie utilizate pentru a filtra urmele de raționament. Încă o dată, cercetare foarte frumoasă permisă de accesul la modele open source de înaltă calitate. Căutați conducte din ce în ce mai puternice cu arhitectură "generator-verificator" care elimină rezultatele proaste. Verificatorul poate fi o instanță model sau un fel de funcție matematică, cum ar fi valorile interne de încredere dezvoltate în această lucrare. Modelele existente sunt foarte puternice atunci când sunt utilizate cu acest tip de conductă și bugete mari de token-uri. (Aici, ~1E8 jetoane folosite pentru AIME 2025.) "DeepConf folosește semnalele de încredere interne ale modelului pentru a filtra dinamic urmele de raționament de calitate scăzută în timpul sau după generare. Nu necesită antrenament suplimentar al modelului sau reglarea hiperparametrilor și poate fi integrat fără probleme în cadrele de servire existente. Evaluăm DeepConf printr-o varietate de sarcini de raționament și cele mai recente modele open-source, inclusiv seriile Qwen 3 și GPT-OSS. În special, pe benchmark-uri provocatoare, cum ar fi AIME 2025, DeepConf@512 atinge o precizie de până la 99,9% și reduce tokenurile generate cu până la 84,7% în comparație cu gândirea paralelă completă." Observați ironia acestor cercetători Meta folosind modele de sistem de operare Qwen, GPT-OSS și DeepSeek, dar nu Llama 😢