[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-self-consistency::ru":3,"gloss-cluster-self-consistency::ru":20,"gloss-next-self-consistency::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"self-consistency","prompt-eng","Self-consistency (самосогласованность)","Self-consistency — это техника промптинга\u002Fинференса, повышающая надёжность рассуждения по методу chain-of-thought путём выборки нескольких независимых путей рассуждения для одного и того же вопроса (запуская один и тот же промпт несколько раз с ненулевой температурой, чтобы каждый запуск мог рассуждать по-разному), а затем выбора окончательного ответа голосованием большинства среди этих запусков, вместо доверия единственной генерации. Представленная вместе с исследованиями chain-of-thought, self-consistency использует тот факт, что неверные пути рассуждения LLM склонны расходиться (разные ошибки выглядят по-разному), тогда как множественные верные пути рассуждения склонны сходиться к одному и тому же ответу даже через разные маршруты — поэтому ответ, полученный голосованием большинства, статистически с большей вероятностью верен, чем любая отдельная выборка, что по духу похоже на ансамблевые методы в классическом машинном обучении. Для разработчиков SaaS self-consistency — это практичный рычаг повышения надёжности для задач, где неверный автоматический ответ дорого обходится (финансовые расчёты, медицински-ориентированная сортировка, классификация юридических документов), и где дополнительная стоимость 3-5-кратных вызовов API оправдана приростом точности. Реализуется полностью в коде приложения, а не как специальный параметр API: вызовите один и тот же промпт N раз (обычно 3, 5 или 7 — нечётные числа избегают ничьих) при умеренной температуре (например, 0,7), извлеките окончательный ответ из каждого отклика и верните тот ответ, который встречался чаще всего; для ответов в свободной форме более дешёвый вызов «судьи» может кластеризовать семантически похожие ответы перед голосованием. Очевидные компромиссы — стоимость (N-кратные расходы на API) и задержка (смягчается запуском N вызовов параллельно, а не последовательно). Конкретный пример: ИИ-классификатор налоговых категорий для бухгалтерского SaaS-сервиса прогоняет каждое неоднозначное описание транзакции через промпт классификации 5 раз параллельно при температуре 0,7. Для транзакции «Подписка Adobe Creative Cloud» 4 из 5 запусков возвращают «Программное обеспечение и подписки», а 1 возвращает «Офисные принадлежности» — система берёт ответ большинства, «Программное обеспечение и подписки», и дополнительно логирует уровень несогласия 1 из 5 как сигнал уверенности, помечая транзакции с низким согласием (например, разбивка 3-2) для проверки человеком вместо автоматической категоризации. Это превращает единичную зашумлённую классификацию как в более точный ответ, так и во встроенную оценку неопределённости.","Self-consistency запускает один и тот же промпт несколько раз и берёт ответ большинства, повышая надёжность на задачах рассуждения.",null,[11,14,17],{"slug":12,"name":13},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)",{"slug":15,"name":16},"prompt-engineering","Инженерия промптов (Prompt Engineering)",{"slug":18,"name":19},"tree-of-thought","Tree-of-thought (дерево размышлений)",[21,25,28,31,33,36,39,42,45,48,51,54],{"slug":22,"category":5,"name":23,"updated_at":24},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":26,"category":5,"name":27,"updated_at":24},"automatic-prompt-optimization","Автоматическая оптимизация промптов",{"slug":29,"category":5,"name":30,"updated_at":24},"chain-of-density","Цепочка плотности (CoD)",{"slug":12,"category":5,"name":13,"updated_at":32},"2026-08-24T02:46:36+00:00",{"slug":34,"category":5,"name":35,"updated_at":24},"chain-of-verification","Chain-of-Verification",{"slug":37,"category":5,"name":38,"updated_at":32},"chunking","Чанкинг (Chunking)",{"slug":40,"category":5,"name":41,"updated_at":32},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":43,"category":5,"name":44,"updated_at":32},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":46,"category":5,"name":47,"updated_at":32},"delimiter","Разделитель (Delimiter)",{"slug":49,"category":5,"name":50,"updated_at":24},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":52,"category":5,"name":53,"updated_at":24},"emotion-prompting","Emotion Prompting",{"slug":55,"category":5,"name":56,"updated_at":32},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)"]