推理共识：通过加权 DAG 聚合进行 LLM 推理的结构集成

大语言模型（LLM）通过思想链探索问题，但这种探索被埋藏在非结构化散文中。在高风险任务中，用户无法判断哪些步骤得到了充分支持，哪些替代方案得到了认真考虑，或者最终结论与模型丢弃的结论相比如何。我们提出了一个框架，通过对从推理链中提取的有向无环图（DAG）进行加权合并，来集成多个 LLM 的推理结构，而不仅仅是答案。我们根据有多少独立证明它的痕迹来衡量每个步骤，以返回“共识推理”。在跨越法定解释、研究生水平科学、叙事多跳推理和一阶逻辑的六个基准中，我们的集成优于匹配预算多数投票基线，在 MuSR-MM（叙事多跳推理）上的最大准确度增益为 3.1%。在单个模型上，该框架在相同的跟踪预算下达到或超过了自我一致性，同时还公开了可检查的共识推理图。集成权重与 Spearman $ρ= 0.30$-$0.51$ 推理质量的 LLM 法官排名相关，并且共识子图优于替代方案，在六个数据集中的五个数据集的正面比较中，共识子图的得票率为 54.4-65.4%，从而获得多数票答案。我们观察到，我们的框架还可以用于分析问题的不同推理视角。