Universal Self-Consistency

Universal Self-Consistency（USC，Chen et al., 2023e）和 Self-Consistency 的差别在于“怎么做多数票”：

• Self-Consistency：你在代码里把每次采样的最终答案抽取出来→归一化→计数投票。
• Universal Self-Consistency：不强依赖程序化的“字符串计数/归一化”，而是把多次采样的输出整体塞回给 LLM，让 LLM 充当“归并投票器/裁判”，判断哪些答案本质一致、哪一派是多数，并输出最终答案。
  这对自由文本（同义改写很多、答案边界不清晰、难做规则归一化）更有用。

下面给你一个可直接复制使用的提示词样例（你说的“提示词阳历”我理解为“提示词样例/示范模板”）。

---

USC 提示词样例 1（通用多数派选择器，适合自由文本）

用途：你已经对同一问题采样得到了 K 个回答（可能措辞不同），现在要让模型选“语义上的多数答案”。

你是一个“多数派裁判”（majority voter）。下面针对同一个问题给出了 K 份候选回答。
任务：判断这些回答在“语义上”可分为哪些立场/答案簇（同义不同说法算同一簇），并选择样本数最多的那一簇作为最终答案。

要求：
1) 先给出聚类结果：列出每一簇包含哪些候选编号（只按语义等价聚类，不要按措辞表面差异）。
2) 选择成员数最多的簇（majority cluster）。
3) 输出“最终答案”：用你自己的话写一版简洁、直接、可读的答案，尽量吸收该簇的共同信息。
4) 如果出现平票：
   - 优先选择更具体、可验证、与题目约束更一致的一簇；
   - 并说明你为何这样选择。
5) 只使用候选回答中出现的信息；若候选内部有矛盾，优先保留多数簇中一致的部分，并剔除少数/冲突点。

【问题】
{QUESTION}

【候选回答】
1) {ANS_1}
2) {ANS_2}
...
K) {ANS_K}

按以下格式输出：
- 聚类：
  - 簇A: [编号...]
  - 簇B: [编号...]
- 多数簇：簇X（包含n个回答）
- 最终答案：...
- （如有）选择理由/不确定性：...

---

USC 提示词样例 2（更“投票化”，输出支持率/置信度）

用途：你希望像 Self-Consistency 那样得到“多少票支持”的信号，但又允许语义归并。

你将对同一问题的多份回答进行“语义多数票”。

步骤：
A. 识别每份回答的最终结论（可用一句话概括）。
B. 将结论语义等价的回答归为同一组（忽略措辞差异、同义词、顺序变化）。
C. 统计每组数量，选择数量最多的一组。
D. 给出最终答案，并报告该组的支持率（例如 7/10）。

约束：
- 不引入候选回答之外的新事实。
- 若候选回答包含明显错误推理或自相矛盾内容，允许将其单独分组并在理由中指出。

【问题】
{QUESTION}

【回答集】
1. {ANS_1}
2. {ANS_2}
...
10. {ANS_10}

输出格式（务必遵守）：
- 每条回答的结论摘要：
  1: ...
  2: ...
- 分组与计数：
  - 组1（结论=...）：[编号...]，计数=n
  - 组2（结论=...）：[编号...]，计数=m
- 选择：组1（支持率 n/10）
- 最终答案：...
- 置信度（0-100）与原因：...

---

USC 提示词样例 3（面向“生成类任务”：选择最佳版本而非短结论）

自由文本生成常常不只有“结论”，还包括结构、措辞、覆盖面。这个模板让模型先找“多数共识的要点”，再写一个融合版。

你是“共识整合器”。下面是对同一写作任务生成的多个版本。

目标：
1) 找出这些版本中反复出现的关键要点/论断（把同义表达视为同一点）。
2) 以出现频率最高的要点集为基础，写出一个融合后的最终版本；
3) 删除只在少数版本出现、且无法从多数版本得到支持的内容。

注意：
- 不要凭空增加新信息。
- 若版本间存在冲突，只保留多数版本支持的一方；必要时在文末加一句“不确定点/可选项”。

【写作任务】
{TASK}

【多个版本】
V1:
{ANS_1}

V2:
{ANS_2}

V3:
{ANS_3}

...

输出：
(1) 共识要点（按出现频率从高到低列出）
(2) 最终融合稿（可直接交付给用户）

---

一个小型“端到端”示例（帮你理解怎么用）

你实际调用时一般是两阶段：

1. 采样生成（temperature>0）：得到多份答案 ANS_1..ANS_K
2. USC 聚合投票：把这些答案丢进上面的“多数派裁判”提示词

例如你可以先这样采样（示意）：

• Prompt：请用一步步推理回答...最后给出结论。
• 采样 10 次（temperature=0.7）

再用 USC 模板 1/2 进行聚合输出最终版本。

---

如果你告诉我你的具体应用场景是：

• 数学/选择题（有明确最终答案）
• 开放式问答（短文本）
• 长文生成（方案/邮件/总结） 我可以把上面的 USC 模板进一步“定制化”：比如加入约束检查、事实性优先（带引用）、或风格统一等规则，并给你一个可直接放进系统的最终 prompt。