--- title: "Self-consistency prompting (PT)" source: "https://systems-analysis.info/int/Self-consistency_prompting_(PT)" wiki: "systems-analysis.info/int" article: "Self-consistency_prompting_(PT)" language: "pt" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Portuguese" - "Category:Prompt engineering" revision_id: 6648 wiki_created_at: 2026-09-07T00:08:24Z wiki_modified_at: 2026-09-07T00:08:24Z downloaded_at: 2026-09-07T23:15:01Z --- # Self-consistency prompting (PT) **Decodificação Autoconsistente** (em inglês: *Self-Consistency Prompting, SC*) é um método ou estratégia de decodificação em engenharia de prompt, projetada para aumentar a precisão e a confiabilidade dos grandes modelos de linguagem (LLMs) ao resolver tarefas que exigem raciocínio de múltiplos passos, como quebra-cabeças aritméticos e lógicos^{[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_note-wang2022-1)}. O método foi proposto por pesquisadores do Google Research em 2022 como um aprimoramento da técnica de "cadeia de pensamento" (Chain-of-Thought, CoT). A ideia principal é não se limitar a uma única saída "gulosa" (greedy), mas, em vez disso, gerar múltiplos caminhos de raciocínio diferentes para a mesma pergunta e, em seguida, selecionar a resposta final que aparece com mais frequência entre essas variantes. A abordagem baseia-se no princípio intuitivo de que, se um modelo, ao raciocinar por diferentes caminhos, chega repetidamente ao mesmo resultado, é altamente provável que esse resultado esteja correto^{[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_note-wang2022-1)}. ## Contexto e pré-requisitos O método Self-Consistency é um desenvolvimento direto da técnica de **Cadeia de Pensamento (Chain-of-Thought, CoT)**. A técnica CoT, proposta por Wei et al. (2022), melhorou significativamente a capacidade dos LLMs de resolver problemas complexos, incentivando o modelo a detalhar explicitamente os passos da solução^{[\[2\]](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_note-wei2022-2)}. No entanto, na implementação básica do CoT, utiliza-se a "decodificação gulosa" (*greedy decoding*), na qual o token seguinte mais provável é escolhido a cada passo. Isso cria uma limitação: se o modelo comete um erro em uma etapa inicial, ele não consegue se desviar dessa trajetória incorreta para corrigi-la. O Self-Consistency foi proposto para resolver exatamente esse problema^{[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_note-wang2022-1)}. ## Mecanismo de funcionamento O algoritmo de Self-Consistency substitui a abordagem gulosa determinística por um procedimento de "amostragem seguida de agregação" e consiste nos seguintes passos^{[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_note-wang2022-1)}: 1. **Geração de múltiplos caminhos de raciocínio**: Em vez de uma única resposta, o modelo gera uma solução várias vezes (por exemplo, até 40 vezes) para a mesma solicitação, usando o método de cadeia de pensamento. Para obter caminhos de raciocínio diversificados, são aplicados métodos de decodificação estocásticos, como a amostragem por temperatura (com um parâmetro de temperatura \> 0). 2. **Agregação e seleção da resposta**: De todas as cadeias de raciocínio geradas, são extraídas apenas as respostas finais (por exemplo, um valor numérico). Em seguida, a resposta que ocorre com mais frequência é selecionada entre elas. Essa resposta é fornecida como o resultado final. Essa abordagem imita o princípio de "auto-ensemble", onde múltiplas saídas do mesmo modelo são usadas para aumentar a confiabilidade e suavizar erros aleatórios^{[\[3\]](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_note-portkey_summary-3)}. ## Eficácia e resultados No estudo original, o Self-Consistency demonstrou um aumento significativo na precisão em vários benchmarks populares, especialmente em tarefas que exigem raciocínio aritmético e lógico. - No benchmark de problemas matemáticos **GSM8K**, a precisão do modelo PaLM-540B aumentou de 56,6% (com CoT) para **74,4%** (com Self-Consistency), representando um ganho de **17,8%**. - Em outras tarefas aritméticas, como **SVAMP** e **AQuA**, o ganho foi de **+11,0%** e **+12,2%**, respectivamente. - Em tarefas que exigem lógica e bom senso, como **StrategyQA**, a melhoria foi de **+6,4%**^{[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_note-wang2022-1)}. A aplicação do Self-Consistency permitiu estabelecer novos recordes de desempenho (*state-of-the-art*) em muitos benchmarks ao usar modelos de grande porte, como GPT-3 175B e PaLM 540B^{[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_note-wang2022-1)}. ## Vantagens e limitações ### Vantagens - **Aumento da precisão**: Melhora significativamente os resultados em tarefas que exigem raciocínio complexo de múltiplos passos. - **Confiabilidade**: O método é mais robusto a erros que podem ocorrer em uma única cadeia de raciocínio. - **Simplicidade de implementação**: Não requer treinamento adicional ou modificação na arquitetura do modelo. O método pode ser implementado como um simples "invólucro" (wrapper) em torno de um modelo já existente. ### Limitações - **Alto custo computacional**: A principal desvantagem é a necessidade de gerar a resposta várias vezes (por exemplo, 10, 20 ou 40 vezes) para uma única solicitação, o que aumenta proporcionalmente o custo e o tempo de inferência. - **Aplicabilidade limitada**: O método padrão é mais eficaz para tarefas com um formato de resposta bem definido (por exemplo, um número, "sim/não", uma opção de uma lista), onde é fácil realizar uma votação por maioria. É pouco aplicável a tarefas de geração aberta (escrever uma redação, resumir), onde as respostas são únicas em sua forma. - **Risco de erro sistemático**: Se o modelo gera sistematicamente raciocínios incorretos que, por coincidência, convergem para a mesma resposta errada, o Self-Consistency não apenas não corrigirá o erro, mas também reforçará a confiança nele. ## Desenvolvimento do método: Universal Self-Consistency A limitação do método básico em tarefas com formato de resposta livre foi abordada em pesquisas subsequentes. No final de 2023, um grupo de pesquisadores do Google DeepMind propôs a abordagem **Universal Self-Consistency (USC)**^{[\[4\]](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_note-chen2023_usc-4)}. No USC, em vez de uma simples votação sobre as respostas finais, o próprio LLM é usado como um "juiz" para a agregação. O modelo gera várias versões completas da solução e, em seguida, recebe um novo prompt solicitando que escolha a "mais consistente" ou de "maior qualidade" entre elas. Essa abordagem permite aplicar os princípios de autoconsistência a tarefas com formato de resposta aberto e criativo^{[\[5\]](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_note-deepmind_usc-5)}. ## Ligações externas - Self-Consistency Improves Chain of Thought Reasoning in Language Models — artigo científico original do Google Research. - Self-Consistency — guia no Prompt Engineering Guide. ## Leitura adicional - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Aggarwal, P. et al. (2023). *Let’s Sample Step by Step: Adaptive-Consistency for Efficient Reasoning and Coding with LLMs*. arXiv:2305.11860. - Chen, X. et al. (2023). *Universal Self-Consistency with Large Language Models*. arXiv:2311.17311. - Knappe, T. et al. (2024). *Semantic Self-Consistency: Enhancing Language Model Reasoning via Semantic Weighting*. arXiv:2410.07839. - Liang, X. et al. (2024). *Internal Consistency and Self-Feedback in Large Language Models: A Survey*. arXiv:2407.14507. - Li, T. et al. (2024). *Improving Faithfulness of Large Language Models in Summarization via Sliding Generation and Self-Consistency*. arXiv:2407.21443. - Byerly, A.; Khashabi, D. (2024). *How Effective Is Self-Consistency for Long-Context Problems?*. arXiv:2411.01101. - Novikova, J. et al. (2025). *Consistency in Language Models: Current Landscape, Challenges, and Future Directions*. arXiv:2505.00268. - Admoni, S. et al. (2025). *Towards Large Language Models with Self-Consistent Natural Language Explanations*. arXiv:2506.07523. ## Notas 1. ↑ ^{[1.0](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_ref-wang2022_1-0)} ^{[1.1](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_ref-wang2022_1-1)} ^{[1.2](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_ref-wang2022_1-2)} ^{[1.3](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_ref-wang2022_1-3)} ^{[1.4](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_ref-wang2022_1-4)} ^{[1.5](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_ref-wang2022_1-5)} Wang, X., Wei, J., Schuurmans, D., et al. (2022). «Self-Consistency Improves Chain of Thought Reasoning in Language Models». *arXiv*. [1] 2. [↑](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_ref-wei2022_2-0) Wei, J., Wang, X., Schuurmans, D., et al. (2022). «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models». *NeurIPS 2022*. 3. [↑](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_ref-portkey_summary_3-0) «Self-Consistency Improves Chain of Thought Reasoning in Language Models - Summary». *Portkey*. [2] 4. [↑](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_ref-chen2023_usc_4-0) Chen, X., et al. (2023). «Universal Self-Consistency with Large Language Models». *arXiv*. [3] 5. [↑](https://systems-analysis.info/int/Self-consistency_prompting_(PT)#cite_ref-deepmind_usc_5-0) «Universal Self-Consistency with Large Language Models». *Google DeepMind Publications*. [4]