标签
本文表明，对于小型指令微调LLM，在GPQA Diamond基准的大多数硬科学问题上，基于多数投票的自洽性（self-consistency）会适得其反，而诸如多数一致性或令牌熵等无验证器门控无法防止这一问题。预注册的验证性实验量化了准确率下降，并表明置信度并不反映正确性。