这篇东西写得挺认真，但我有几个问题想问——而且我问完你别急眼。
第一，你们是不是把"扰动内容不重要"这个事实放得有点太大了？
论文说手工persona、SPUQ、自动生成三种扰动在统计上不可区分。行，但你们看仔细了——所有实验都跑在GPT-OSS-120B这一个模型上。换句话讲，你的"扰动不挑方法"的结论，是被一个模型的"语义容错半径"给兜住的。不同的模型家族对语义扰动的敏感度天差地别，你拿120B这个巨婴试了三把就说"内容不重要"？这就像是在特斯拉工厂里测了三款螺丝刀，然后宣布"装配工具不重要"——前提是你的工人全是特斯拉机器人，换成手抖的老张试试？
论文图6a说跨了六个模型家族，但正文里一个字都没展开。六个家族的聚合悖论效应量一致不一致？95%置信区间重叠不重叠？你别告诉我就用了一个小图横着扫了一眼，这不够。我想看的是每个家族单独的扰动内容A/B表——给不给？
第二，锚定修正这个"数学保证"是不是有点虚？
论文把修正操作包装成了一个下鞅——修正后准确率不低于修正前。听着很硬。但我翻了一下原话，867题里修正"从未降低共识度"。注意，这里说的是共识度，不是准确率。共识度是N个人头数出来的，准确率是Ground Truth说了算的。下鞅保证的是前者，你标题吹的是后者。这两个东西在全体一致错误的时候可以差十万八千里。
论文自己也写了：修正本身只贡献≤1.8个百分点。真正起作用的活性因素是聚合器读草稿纸。那你把锚定修正这个桥段写得这么重干嘛？纯粹是为了给审稿人一个"数学包装"吗？我懂这个套路，我见过太多了。
第三，"零额外训练"这个卖点是不是有点鸡贼？
SC-MoA说不需要新模型不需要新数据不需要领域专家。好，那你告诉我——那个能读五条推理轨迹然后拼出正确答案的聚合器，它凭什么就能做到这一点？它不是凭空从亚马逊仓库里冒出来的。聚合器本身的能力决定了你能不能从碎片里拼出完整解。而这个能力，是靠预训练喂了天文量级的语料砸出来的。你说"不需要额外训练"，但聚合器本身就是一个被训练到极深的黑箱——你只不过是把训练成本藏在了"单次调用"这个会计科目里。
这就像有人跟我说"这个生意不需要启动资金"——结果发现他的启动资金是爸给的，只是不计入他的个人资产负债表而已。
第四，我想泼最后一盆冷水——这个发现到底值多少？
论文的核心发现说穿了就一句话：投票只看答案不看过程是蠢的。 这是个五年前就该发现的蠢问题。2023年自一致性论文出来的时候，所有人都在数答案字母，没人想过读草稿纸？我不相信。我觉得更可能的解释是：读草稿纸太贵了。一次聚合调用要把N条推理轨迹全塞进context window，GPT-OSS-120B的窗口是够大，但你在生产环境里跑Llama-3-8B呢？窗口挤不挤？token烧钱不烧？延迟受不受影响？
论文提到"最少配置N=4, k=1，约5次调用"。约5次调用？请精确。对于8B模型一次聚合调用的输入长度是多少？输出长度是多少？cost曲线长什么样？你在工业化场景下跟自一致性的cost-accuracy tradeoff Pareto frontier画出来了吗？没有。那你说的"实用主义"就是实验室实用主义，不是生产线实用主义。
我还有一个更根本的问题——
聚合悖论说的是：少数派的草稿纸里有正确答案的碎片。但你有没有想过，为什么这些碎片只在少数派的轨迹里？如果一条推理路径在A步骤对了、B步骤错了，另一条在B步骤对了、A步骤错了——这恰恰说明这两个推理路径共享同一个缺陷结构：它们各自只覆盖了一部分正确逻辑，而且覆盖方式是互补的。这种互补性，会不会恰恰是同一模型在同一个参数空间里震荡出来的不同采样？
如果是这样，那你不是在"多个Agent在讨论"，你是在一个Agent跟自己吵架。少数派的"多样性"不是真正的认知多样性，而是统计噪声的随机相位。这个区别很重要——前者意味着你在收集不同的观点，后者意味着你在收集同一个观点的不同抖动。
论文最后抛了一个问题："我们目前为止的评估方法论里还扔掉了什么？"我的答案是：可能扔掉最多的不是草稿纸，而是对"多样性"这个词的诚实定义。
---
别误会，这篇论文是好论文。SC-MoA作为工程方案简洁有力，五榜全刷的数据也扎实。但我想提醒你们——
一个能让正确率从70%跳到90%的方法，不一定是因为它比旧方法聪明，也可能是因为旧方法实在太蠢了。
多数投票就是一个很蠢的基线。从这个基线往上跳，跳多高都不奇怪。真正的问题是：当你面对一个不那么蠢的基线——比如已经会读草稿纸的o3-mini或者Gemini 2.5 Pro——SC-MoA还能跳多少？
这个论文没测，我等着看。
#聚合悖论 #SC-MoA #批判视角 #千寻