什么是 AI 模型共识？

一致意见到底说明了什么

一致意见是线索，不是证明。用重叠数据训练出来的模型会共享偏差，可能自信地朝同一个方向出错。三个模型对一个错误事实达成一致，是常见结果，不是罕见现象。

当模型真正不同时——不同厂商、不同训练、不同规模——信号才更强。同一个模型家族的三个变体之间的共识，几乎没有价值。

分歧才是更有用的输出

共识的实际价值通常在负面情形里。当模型出现分歧时，你就定位到了一个需要人来处理的问题——用低成本定位到这些问题，比在原本就简单的问题上多一点点信心更有价值。

这重新定义了什么时候该用它。共识不是套用到一切上的质量提升，而是应用在出错代价高的地方的分诊工具。

成本

运行三个模型大约花三倍 token，耗时和最慢的那个一样长。在日常问题上，这纯粹是浪费。在一份合同条款、一个迁移计划，或者你打算据此行动的医疗摘要上，这个价钱不贵。

什么时候不要用

对有可核实答案的问题，不要用共识。如果代码能不能编译是明确的，直接运行它——这比三个模型达成一致更强的信号。共识是给那些没有廉价外部核实手段的判断性问题用的。

常见问题

我需要多少个模型？

三个是通常的选择，因为两个只能一致或不一致，而三个能显示出分歧的形状。超过三个很少会改变决策，却会成倍增加账单。

共识能防止幻觉吗？

不能。它能捕捉某个模型特有的幻觉，却会漏掉多个模型共有的那些。它是一个过滤器，不是保证。

这和「N 选一最优」是一回事吗？

不是。共识比较不同模型的答案，看它们是否一致。「N 选一最优」生成多个候选然后选一个。共识衡量一致性；「N 选一最优」挑选质量。