通过顺序证据积累在 LLM 集成中实现自适应共识：自动预算识别和校准提交信号

大语言模型 集成提高了推理准确性，但仅限于性能边界，超过该边界，额外的深思熟虑会降低准确性。我们引入了 DASE（协商自适应停止集成），这是一种用于迭代集成审议的停止启发式方法，它尽早达成真正的共识，并对碎片证据应用全局频率回退。我们做出三项贡献。 (1) DASE 产生一个提交类型的路由分区，该分区可以跨基准泛化，并且是对语言化单次调用置信度的补充。在 GPQA 扩展（N=546，70B 整体）上，分区产生 39.5 pp 的路由间隙（右墙 81.1% 对左墙 41.5%）。在 AIME 2010-2023（N=261、120B ensemble、3 个种子）上，右墙提交准确率达到 98.3%，而左墙提交准确度为 72.8%（25.5 pp 差距），在统计上相当于匹配覆盖率的 Opus 4.6 标准语言置信度（25.7 pp 差距；bootstrap p=0.873）；两种机制在 37% 的路由分配上存在分歧。 (2) 驱动精度的是自适应停止，而不是注入带宽。在 AIME-300 上，带宽仅占 0.3 pp (ns)。在 120B 层的 GPQA-Extended 上，稀疏注入（$\approx15$ tokens/worker/round）实现了 70.9%，路由间隙为 30.7 pp；密集注射（$\approx600$ chars/worker/round）达到 72.2%，但右壁覆盖率减半，差距缩小到 18.9 pp。 (3) 基于注入的方法表现出倒 U 型精度与推理轨迹；这种模式是假设生成的。