基于平均对数概率的简单置信度度量用于过滤推理轨迹。再次强调，得益于高质量开源模型的访问，这项研究非常出色。 期待越来越强大的管道，采用"生成器-验证器"架构来修剪不良结果。验证器可以是模型实例，或者某种数学函数，比如本文中开发的内部置信度指标。现有模型在与这种管道和大令牌预算结合使用时非常强大。（在这里，AIME 2025使用了大约1E8个令牌。） "DeepConf利用模型内部的置信度信号，在生成过程中或之后动态过滤低质量的推理轨迹。它不需要额外的模型训练或超参数调整，可以无缝集成到现有的服务框架中。我们在各种推理任务和最新的开源模型上评估DeepConf，包括Qwen 3和GPT-OSS系列。值得注意的是，在AIME 2025等具有挑战性的基准测试中，DeepConf@512的准确率高达99.9%，并且与完全并行思维相比，生成的令牌减少了多达84.7%。" 注意这些Meta研究人员使用开源模型Qwen、GPT-OSS和DeepSeek，但没有使用Llama的讽刺 😢