本研究探讨了自一致性在聚合多样性随机样本时的动态机制，提出了一种基于置信度的机制，通过动态调整解码温度来提高采样效率和准确性。实验结果表明，该方法在数学推理任务中优于固定多样性基准。

本研究提出了PROVE框架，通过程序验证方法提升大语言模型在数学推理中的自一致性，过滤不正确的推理路径。实验结果表明，PROVE显著提高了模型在数学基准测试中的准确性，展现了其作为有效工具的潜力。

本文探讨了预训练语言模型生成文本的真实性，提出了一种多视角自一致性（MPSC）解码策略，显著提升了生成任务的性能。研究发现模型在自我一致性方面存在不良标定性，并通过信息理论方法SH2增强了模型的真实解码能力。此外，提出的ActCab和CoDec方法在问答基准上提高了模型的真实性，强调了置信度信号的重要性。

本文介绍了一种新方法，通过扩展自一致性应用和使用轻量级相似函数，提升大规模预训练语言模型的生成质量和一致性。研究发现模型在自我一致性上存在不良标定性，并提出通过监督学习和强化学习对齐过程来改善模型性能的策略，同时揭示了指令跟踪模型的局限性，并提出增强模型鲁棒性的方法。