开源模型首次：AIME25飙到99.9%刷屏

DeepConf由Meta AI与加州大学圣地亚哥分校提出，核心思路是让大模型在推理过程中实时监控置信度，低置信度路径被动态淘汰，高置信度路径则加权投票，从而兼顾准确率与效率。在AIME 2025上，它首次让开源模型无需外部工具便实现99.9%正确率，同时削减85%生成token。

如何让模型在思考时更聪明、更高效，还能对答案有把握？

最近，Meta AI与加州大学圣地亚哥分校的研究团队给出了一个令人振奋的答案——Deep Think with Confidence（DeepConf），让模型自信的深度思考。

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上拿下了高达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，并且不使用任何工具！

并且在保持高质量推理的同时，将生成的token数量削减了84.7%。

DeepConf还为并行思考（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。

DeepConf支持两种工作模式：

离线模式：根据置信度筛选已完成的推理路径，然后根据质量对投票进行加权。

在线模式：当置信度实时降至阈值以下时，立即停止生成。

DeepConf的秘诀是什么？

其实，LLM知道自己何时开始不确定的，只是大家一直没有认真关注过他们的“思考过程”。

之前的方法在完整生成之后使用置信度/熵用于测试时和强化学习（RL）。

DeepConf的方法不同，不是在完成后，而是在生成过程中捕捉推理错误。

DeepConf实时监控“局部置信度”，在错误的推理路径消耗数千个token之前及时终止。

只有高质量、高置信度的推理路径才能保留下来！

DeepConf是怎样“用置信度筛选、用置信度投票”？

这张图展示了DeepConf在离线思考时的核心机制：

它先判断哪些推理路径值得信赖，把不靠谱的路径提前剔除，再让靠谱的路径进行加权投票，从而得到一个更准确、更高效的最终答案。

首先是每一token“有多确定”。

当模型在写推理步骤时，其实每个词（token）背后都有一个“信心值”。

如果模型觉得“这一步答案很靠谱”，信心值就高。如果它自己都拿不准，这个信心值就会低。

上图里用不同深浅的绿色和红色标出来：绿色=更自信，红色=不自信。

其次，不光要看单token，还要看整体趋势。

DeepConf不只看某一个词，而是会滑动窗口：看看一小段话里的平均信心值，衡量“这段话整体是否靠谱”。

重点看看最后几句话的信心值，因为最终答案、最终结论往往决定于结尾。

DeepConf也会记下这条推理链里最差的一步，如果中间有明显“翻车”，这条路径就不太可靠。

这样一来，每条完整的推理链路都会得到一个综合的“置信度分数”。

最后，是先淘汰，再投票。

当模型并行生成很多条不同的推理路径时：

第一步：过滤，把“置信度分数”排序，最差的10%直接丢掉，避免浪费。

第二步：投票，在剩下的推理链里，不是简单数票，而是按照置信度加权投票。

也就是说：一条高置信度的路径，它的意见分量更大；低置信度的路径，即便答案一样，也不会拉高太多票重。

最后看一下结果，在图的右边可以看到：有的路径说“答案是109”，有的说“答案是103、104、98”。

但由于支持“109”的路径更多、而且置信度更高，所以最终投票选出了109作为答案。

成绩刷爆99.9%

比GPT-5还高

离线模式结果：在AIME 2025上达到99.9%的准确率（基线为97%）！

在5个模型×5个数据集上实现普适性增益。

在所有设置下均取得约10%的稳定准确率提升。

在线模式结果：在所有基准测试中节省33%-85%的token！

在AIME 2025基准测试中，使用GPT-OSS-120B，在减少85%的token消耗下，仍达到97.9%的准确率。

该方法适用于从8B到120B的各类开源模型——在不牺牲质量的前提下实现实时高效。

在离线环境中对置信度度量进行基准测试。报告的数值为准确率（%）。

Cons@512和mean@512分别表示使用512条推理轨迹进行的多数投票结果，以及平均置信度的均值。所有实验均重复进行了64次。

在在线环境中对DeepConf进行基准测试。

在投票规模预算为512的条件下，报告多数投票方法与DeepConf（高/低）的方法的准确率（%）以及生成的token数量（×10?）。

基于置信度的深度思考

研究者的思考是：到底怎么把“置信度”用得更巧妙，让模型既想得更准，又想得更快呢？

正如前文所述，这里可以分成两个使用场景：

离线思考：等模型把一整条推理路径都写完了，再回头去评估每条路径的置信度，把靠谱的结果聚合在一起。这样做的好处是能最大化提升答案的准确性。

在线思考：在模型一步步生成推理的过程中，就实时参考置信度。如果发现某条思路不靠谱，可以及时停掉，避免浪费算力。这样能边走边筛选，提升效率甚至精度。

离线思考

在离线思考模式下，每个问题的所有推理路径均已生成。

此时的核心挑战是：如何聚合来自多条路径的信息，从而更准确地确定最终答案。

针对这一点，研究人员采用了标准的多数投票（majority voting）方法。

多数投票（Majority Voting）

在标准的多数投票中，每条推理路径得出的最终答案对最终决策的贡献是均等的。

设T为所有已生成路径的集合，对于任意路径t∈T，设answer(t)为从该路径中提取的答案文本。

那么，每个候选答案a的票数为：

置信度加权多数投票

这个方法不再均等对待每条路径的投票，而是依据其关联路径的置信度，为每个最终答案赋予权重。

对于每个候选答案a，它的总投票权会被重定义为：

置信度过滤

在加权多数投票的基础上，还需要应用置信度过滤，才能在将投票更集中于高置信度的推理路径。

具体来说就是，通过路径的置信度分数，筛选出排序前η%的路径，从而确保只有最可靠的路径参与最终答案的决定。

选择前10%：专注于置信度最高的少数路径。适用于少数路径就能解决问题的场景，但风险是如果模型存在偏见，容易选错答案。

选择前90%：纳入更广泛的路径。这种方法能保持多样性、减少模型偏见，在各路径置信度相差不大时尤其稳健。

图3阐释了各种置信度度量方法以及基于置信度的离线思考的工作原理。

算法1则提供了该算法的详细实现。

在线思考

在线思考模式通过在生成过程中实时评估推理路径的质量，来动态终止低质量的路径，进而确保其在后续的置信度过滤阶段大概率能被排除。

对此，研究人员提出了两种基于最低分组置信度，并会自适应地中止生成过程并调整推理路径的预算的方法：DeepConf-low和DeepConf-high。

其中，共包含两大核心组件：离线预热与自适应采样。

离线预热（Offline Warmup）

DeepConf需要一个离线预热阶段，以便为在线决策过程建立停止阈值s。

对于每个新的提示词，首先生成Ninit条推理路径（例如，Ninit=16）。

停止阈值s定义为：

在所有配置下，DeepConf-low均统一采用前η=10%的策略，而DeepConf-high则统一采用前η=90%的策略。

在在线生成过程中，一旦某条推理路径的置信度低于预热阶段的数据所设定的、能够筛选出置信度排序前η%路径的最低门槛，生成过程就会被终止。

自适应采样（Adaptive Sampling）

在DeepConf中，所有方法都采用了自适应采样，如此就可以根狙淌题难度动态调整所生成推理路径的数量。

问题难度通过已生成路径之间的一致性程度来评估，其量化方式为多数投票权重与总投票权重的比值：

若β

由于采用的是最低分组置信度，一个足够大的预热集便能产生对停止阈值s的精确估计。

因此，任何被在线终止的路径，其分组置信度必然低于s，也就会被离线过滤器所排除。

这样，在线流程便能近似于离线的最低分组置信度策略，并且随着Ninit的增加，其准确率会逼近离线策略的准确率。

图4中阐释了在线生成的过程。

算法2则提供了该算法的详细实现。

具体过程，我们就用上图里的这道“勾股三元组计数”问题举个例子。

DeepConf要在生成推理的同时判断：哪条思路靠谱、该继续；哪条思路不靠谱、该尽早停，从而少花token、又更准。

两个阶段：先定阈值，再在线筛

1. Offline Warm-up（上图右侧，离线预热）

先离线跑几条完整的推理轨迹（Trace 1～5），给每条算一个“整体有多靠谱”的分数。

按分数做一次置信度过滤，好的轨迹在上方（绿色），差的在下方（红色）。

据此确定一个停止阈值s（图中绿色箭头标注）。

简单来说就是低于 s 的，通常是不值得继续的推理。

这一步就像“热身+标定”，模型把“该不该停”的门槛先定好。

2. Online Generation（上图中间，在线生成）

正式解题时，同时展开多条并行思路（多行的方块序列）。

对每条思路，系统滚动地评估“这段话最近一小段的可靠度”（图中方块从左到右代表一步步的生成）。

左下 & 右下的小曲线各自表示模型的“把握”程度。

左下绿曲线表示模型对接下来的词更“有把握”，示例文本是正经的数学推理（如“勾股三元组公式…”），这类内容通常被保留。

右下红曲线表示模型在犹豫或“自我怀疑”，示例文本是“让我再想想、回头检查一下…”，这类犹豫/兜圈子的片段常被判为低置信度，从而触发在线早停。

先离线确定“可靠度阈值s”，再在线用s给并行思路“边走边检查”。

不靠谱就当场叫停，靠谱的继续前进。这样就能做到既快又准了。

作者介绍

Yichao Fu

论文一作Yichao Fu是加州大学圣地亚哥分校（UC San Diego）计算机科学与工程系的博士生，师从张昊教授，也就是老朋友Hao AI Lab的负责人。

此前，他在浙江大学获得计算机科学学士学位。

他的研究兴趣主要为分布式系统、机器学习系统以及高效机器学习算法，近期专注于为LLM的推理过程设计并优化算法与系统。

他参与的项目包括：Lookahead Decoding、vllm-ltr和Dynasor。