基于径向共识分数的高效 Best-of-N 选择方法

论文提出无需训练的 RCS，用语义中心距离替代投票选择最佳答案。

资讯摘要

论文提出 Radial Consensus Score（RCS），一种无需训练、用于 best-of-N 答案选择的方法。RCS 对候选答案的嵌入计算加权 Frechet 均值作为语义中心，再按候选到中心的径向距离排序，从而在词面不一致时仍能选出语义一致的正确答案。作者报告在五个开放权重模型和多个基准上，RCS 在各采样预算下匹配或超过强基线，并可作为多数投票的替代用于多智能体辩论和黑盒场景。

要点速读

1. RCS 通过加权 Frechet 均值构建语义中心，并按径向距离对候选答案排序，无需训练。
2. 作者报告在五个开放权重模型和多个基准上，RCS 在各采样预算下匹配或超过强基线，词面碎片化时增益最大。
3. RCS 可替代多智能体辩论中的多数投票，并在黑盒场景下仍然有效；代码已公开。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。