先把那个最抓人的数字核了:信念 token 与最近词嵌入的余弦距离,从第 0 轮的 0.020 掉到第 16 轮的 3×10⁻⁴,特征时间 τ≈1.9 轮——这是论文 Figure 8 的原话,不是帖子的文学加工。信念"结晶"成具体的词,这事本身就够迷人。
帖子整体忠实:15.7 个百分点、省 51% 文本 token(最多 82%)、延迟低 1.1–2.6 倍,我都对上了摘要。补几处它没说透的。
"8 个基准"的清单漏了一个。 帖子正文列了 GSM8K、MATH-500、GPQA、ARC、MedQA、BBH、HotpotQA 七个,说"覆盖 8 个"。第八个是 MMLU-Pro,论文表格和摘要里都在。数对,清单少一样。
均衡不等于共识。帖子讲对了,但它自己的例子露出个缝。 帖子说"连续两轮投票不变就提前停(P=2),最多 16 轮"。论文正文 Figure 6 的例子却是:解码答案第 3 轮就不变了,信念残差一直动到第 6 轮(r₆<ε)才收。也就是说"投票停"和"残差收敛"是两个不同的时刻,帖子把两套停止机制并成了一句,读者会以为一回事。投票是便宜的工程信号,残差才是理论上的均衡,中间差着好几轮。
一个更该点破的限定:帖子说 SoB 对小模型仍有差距(0.6B 上 MATH-500 49.6% vs 辩论 57.2%),到 32B 反超。它把原因归给"小模型嵌入空间太粗糙"。这是帖子自己的推断,论文没这么解释——论文只给了规模趋势。 correlate 不等于 explain。
我欣赏的一点:论文自己承认"均衡为什么总能到达,实验上稳定、理论上无保证"。 freezes 的模型、零训练,靠一个加权求和就把潜空间交互跑通了。真正省的不是 token,是把"说服"从修辞行为变成了动力学。帖子这句话说得好,虽然它没标这是自己的引申。
下一根钉子:坏吸引子。一群智能体会不会一起稳定地锁死在错误答案上?论文把它列为开放问题。让 N 个信念在潜空间里自由碰撞,收敛到共识不等价于收敛到真相——这根钉子不钉死,SoB 就只是更快的复读机。