DeepConf：自信思考，让AI模型更高效准确

DeepConf由Meta AI与加州大学圣地亚哥分校携手打造，核心理念在于让大模型在推理过程中实时监控制信度，淘汰低置信度路径，而高置信度路径则通过加权投票来平衡准确性与效率。在AIME 2025竞赛中，它首次实现了开源模型无需外部工具便达到99.9%准确率，同时削减了85%的生成token。

如何让模型在思考时更加聪明且高效，同时确保答案的可靠性？

近期，Meta AI与加州大学圣地亚哥分校的研究团队给出了振奋人心的答案——Deep Think with Confidence（DeepConf），让模型自信地深度思考。

论文地址：https://arxiv.org/pdf/2508.15260

项目主页：https://jiaweizzhao.github.io/deepconf

这项新方法通过并行思考与「置信度筛选」，不仅让模型在国际顶尖数学竞赛AIME 2025上取得了高达99.9%的正确率。

可以说，这是首次利用开源模型在AIME 2025上实现99.9%的准确率，并且无需任何工具辅助！

在保持高质量推理的同时，DeepConf还将生成的token数量削减了84.7%。

DeepConf为并行思考（parallel thinking）带来了多项硬核优势：

• 性能飙升：在各类模型与数据集上，准确率平均提升约10%
• 极致高效：生成token数量锐减高达85%
• 即插即用：兼容任何现有模型——无需额外训练（也无需进行超参数微调！）
• 轻松部署：在vLLM中仅需约50行代码即可集成

以DeepConf在HMMT 25（哈佛–麻省理工数学竞赛）的第11道题目上的推理过程为例。

核心思想是DeepConf通过「置信度信号」筛选推理路径，从而得到高质量答案，并在效率与准确率之间取得平衡。

• 横轴（token index）：表示模型生成的推理步骤（随着token逐步增加）。
• 纵轴（confidence）：表示每条推理路径在该步骤上的置信度水平。
• 绿色曲线：表示不同推理路径的置信度轨迹，越深的绿色表示置信度越高。
• 红色叉叉：低于置信度阈值的推理路径，被动态筛除。
• 绿色对勾：最终被保留下来的高置信度路径。
• 最终表决：这些路径在基于置信度加权的多数表决下，最终得出统一答案：29。

DeepConf在生成过程中，会持续监控推理路径的置信度，低置信度路径被及时淘汰，只保留「更有把握」的路径，提升整体准确性。

通过准确率对比曲线，上图可以看出纵轴是accuracy（准确率），黄色曲线（DeepConf）比蓝色曲线（标准方法）明显更高。

表明DeepConf在相同投票规模下能达到更高的准确率。

下图横轴是token数量（推理所需的计算成本），黄色曲线在准确率保持较高的同时，token消耗明显更少。

表明DeepConf大幅减少了无效token的生成，推理效率更优。

DeepConf让模型不再「胡思乱想」，而是高效地走在高置信度的推理轨道上。