--- title: "Self-consistency prompting (TL)" source: "https://systems-analysis.info/int/Self-consistency_prompting_(TL)" wiki: "systems-analysis.info/int" article: "Self-consistency_prompting_(TL)" language: "tl" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" - "Category:Tagalog" revision_id: 6652 wiki_created_at: 2026-09-07T00:08:29Z wiki_modified_at: 2026-09-07T00:08:29Z downloaded_at: 2026-09-07T23:15:04Z --- # Self-consistency prompting (TL) **Sariling-magkakatugmang pag-decode** (Ingles: *Self-Consistency Prompting, SC*) — ito ay isang pamamaraan o estratehiya ng pag-decode sa prompt engineering, na idinisenyo upang mapataas ang katumpakan at pagiging maaasahan ng malalaking language model (LLM) sa paglutas ng mga gawaing nangangailangan ng maramihang hakbang ng pangangatuwiran, tulad ng mga aritmetika at lohikal na palaisipan[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_note-wang2022-1). Ang pamamaraan ay iminungkahi ng mga mananaliksik mula sa Google Research noong 2022 bilang pagpapabuti ng teknik na "chain of thought" (Chain-of-Thought, CoT). Ang pangunahing ideya ay hindi limitahan ang sarili sa iisang "sakim" na konklusyon, kundi sa halip ay bumuo ng maraming magkakaibang variant ng pangangatuwiran para sa iisang tanong, at pagkatapos ay piliin ang panghuling sagot na pinaka-madalas na lumabas sa mga variant na ito. Ang diskarte ay nakabatay sa isang intuwitibong prinsipyo: kung ang modelo, na nangangatuwiran sa iba't ibang paraan, ay paulit-ulit na dumarating sa iisang resulta, kung gayon ang resultang iyon ay may mataas na posibilidad na tama[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_note-wang2022-1). ## Konteksto at mga Paunang Kondisyon Ang pamamaraang Self-Consistency ay direktang pag-unlad ng teknik na **Chain-of-Thought (CoT)**. Ang teknik na CoT, na iminungkahi ni Wei at mga kasamahan (2022), ay nagpabuti nang malaki sa kakayahan ng LLM na lutasin ang mga kumplikadong gawain sa pamamagitan ng paghikayat sa modelo na hayagang isulat ang mga hakbang ng solusyon[\[2\]](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_note-wei2022-2). Gayunpaman, sa pangunahing implementasyon ng CoT ay ginagamit ang "sakim na pag-decode" (*greedy decoding*), kung saan sa bawat hakbang ay pinipili ang pinaka-malamang na susunod na token. Lumilikha ito ng limitasyon: kung ang modelo ay gumawa ng pagkakamali sa maagang yugto, hindi na nito mababago ang maling landas na iyon at maaitama ito. Ang Self-Consistency ay iminungkahi upang matugunan ang problemang ito[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_note-wang2022-1). ## Mekanismo ng Pagtatrabaho Ang algorithm ng Self-Consistency ay pinapalitan ang deterministikong sakim na diskarte ng pamamaraan ng "sampling na may kasunod na aggregation" at binubuo ng mga sumusunod na hakbang[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_note-wang2022-1): 1. **Pagbuo ng maraming landas ng pangangatuwiran**: Sa halip na isang sagot, ang modelo ay ilang beses (halimbawa, hanggang 40 beses) na bumubuo ng solusyon para sa iisang query, gamit ang paraan ng chain of thought. Upang makakuha ng iba't ibang landas ng pangangatuwiran, ginagamit ang mga stochastic na pamamaraan ng pag-decode, tulad ng temperature sampling (na may parameter ng temperatura \> 0). 2. **Pag-aggregate at pagpili ng sagot**: Mula sa lahat ng nabuong chain ng pangangatuwiran, kinukuha lamang ang mga panghuling sagot (halimbawa, isang numerong halaga). Pagkatapos, ang pinaka-madalas na lumabas sa mga sagot na ito ay pinipili. Ang sagot na ito ang inilalabas bilang panghuling sagot. Ang diskarteng ito ay ginagaya ang prinsipyo ng "self-ensembling", kung saan ang maraming konklusyon ng iisang modelo ay ginagamit upang mapataas ang pagiging maaasahan at mapahid ang mga random na pagkakamali[\[3\]](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_note-portkey_summary-3). ## Bisa at mga Resulta Sa orihinal na pananaliksik, ipinakita ng Self-Consistency ang malaking pagtaas ng katumpakan sa ilang sikat na benchmark, lalo na sa mga gawaing nangangailangan ng aritmetika at lohikal na pangangatuwiran. - Sa benchmark ng mga gawaing matematikal na **GSM8K**, ang katumpakan ng modelo na PaLM-540B ay tumaas mula 56.6% (na may CoT) hanggang **74.4%** (na may Self-Consistency), na kumakatawan sa pagtaas na **17.8%**. - Sa iba pang mga aritmetikang gawain, tulad ng **SVAMP** at **AQuA**, ang pagtaas ay **+11.0%** at **+12.2%** ayon sa pagkakasunod. - Sa mga gawaing nangangailangan ng lohika at karaniwang kaalaman, tulad ng **StrategyQA**, ang pagpapabuti ay **+6.4%**[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_note-wang2022-1). Ang paggamit ng Self-Consistency ay nagbigay-daan sa pagtatakda ng mga bagong rekord ng pagganap (*state-of-the-art*) sa maraming benchmark kapag gumagamit ng malalaking modelo tulad ng GPT-3 175B at PaLM 540B[\[1\]](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_note-wang2022-1). ## Mga Kalamangan at Limitasyon ### Mga Kalamangan - **Pagtaas ng katumpakan**: Malaki ang pagpapabuti ng mga resulta sa mga gawaing nangangailangan ng kumplikadong maramihang hakbang na pangangatuwiran. - **Pagiging maaasahan**: Ang pamamaraan ay mas lumalaban sa mga pagkakamali na maaaring lumabas sa iisang chain ng pangangatuwiran. - **Pagiging simple ng implementasyon**: Hindi nangangailangan ng karagdagang pagsasanay o pagbabago ng arkitektura ng modelo. Ang pamamaraan ay maaaring ipatupad bilang isang simpleng "balot" sa paligid ng kasalukuyang modelo. ### Mga Limitasyon - **Mataas na gastos sa pagkompyut**: Ang pangunahing disbentahe — ang pangangailangan ng maramihang pagbuo ng sagot (halimbawa, 10, 20 o 40 beses) para sa isang query, na proporsyonal na nagpapataas ng gastos at oras ng paglalabas. - **Limitadong kakayahang gamitin**: Ang karaniwang pamamaraan ay pinaka-epektibo para sa mga gawaing may malinaw na tinukoy na format ng sagot (halimbawa, numero, "oo/hindi", variant mula sa listahan), kung saan madaling magsagawa ng pagboto sa pamamagitan ng mayorya. Hindi ito angkop para sa mga gawaing may bukas na pagbuo (pagsulat ng sanaysay, pagbubuod), kung saan ang mga sagot ay natatangi ayon sa kanilang porma. - **Panganib ng sistematikong pagkakamali**: Kung ang modelo ay sistematikong bumubuo ng maling pangangatuwiran na sa pagkakataon ay nagtatagpo sa iisang maling sagot, ang Self-Consistency ay hindi lamang hindi magtatatama ng pagkakamali, kundi magpapalakas pa ng kumpiyansa dito. ## Pag-unlad ng Pamamaraan: Universal Self-Consistency Ang limitasyon ng pangunahing pamamaraan sa mga gawaing may bukas na porma ng sagot ay tinutugunan sa mga kasunod na pananaliksik. Sa katapusan ng 2023, isang grupo ng mga mananaliksik mula sa Google DeepMind ay nagmungkahi ng diskarteng **Universal Self-Consistency (USC)**[\[4\]](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_note-chen2023_usc-4). Sa USC, sa halip na simpleng pagboto batay sa mga panghuling sagot, ang LLM mismo ay ginagamit bilang "hukom" para sa aggregation. Ang modelo ay bumubuo ng ilang kumpletong variant ng solusyon, at pagkatapos ay tumatanggap ng bagong prompt na humihiling na piliin mula sa mga ito ang "pinaka-magkakatugma" o "pinaka-mataas na kalidad". Ang diskarteng ito ay nagbibigay-daan sa paglapat ng mga prinsipyo ng sariling-magkakatugma sa mga gawaing may bukas at malikhain na format ng sagot[\[5\]](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_note-deepmind_usc-5). ## Mga Sanggunian - Self-Consistency Improves Chain of Thought Reasoning in Language Models — orihinal na siyentipikong artikulo mula sa Google Research. - Self-Consistency — gabay sa Prompt Engineering Guide. ## Panitikan - 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. ## Mga Tala 1. ↑ [1.0](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_ref-wang2022_1-0) [1.1](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_ref-wang2022_1-1) [1.2](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_ref-wang2022_1-2) [1.3](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_ref-wang2022_1-3) [1.4](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#cite_ref-wang2022_1-4) [1.5](https://systems-analysis.info/int/Self-consistency_prompting_(TL)#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_(TL)#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_(TL)#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_(TL)#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_(TL)#cite_ref-deepmind_usc_5-0) «Universal Self-Consistency with Large Language Models». *Google DeepMind Publications*. [4]