RVV：以路由、验证和投票支持跨领域推理

当语言模型必须以不熟悉的方式结合熟悉的推理操作时，组合泛化仍然具有挑战性。基于场景的常识推理评估 (SCoRE) 2026 在未进行训练的三个混合领域测试了这种能力，并要求模型识别每个问题的完整正确选项集。我们引入了 Route-Verify-Vote (RVV)，这是一个过程条件自洽框架，它使用无需参数更新的语言模型。路线使用提供的域标签来选择推理过程，指导模型表示和应用相关约束。验证提示模型根据这些约束评估每个选项。投票汇总完整的答案集，并将额外的样本分配给两个最常见的答案集之间的投票计数差值较小的问题。每个问题的示例都遵循相同的特定领域程序。在官方测试集上，对每个问题的 16 个样本答案集进行投票，精确集准确率达到 74.6%。自适应 RVV 达到 77.3%，结合选定域路线上的模型将准确率提高到 79.4%。最终系统在参赛系统中排名第二。这些结果支持特定领域的推理过程和答案集分歧，作为在混合域推理中分配推理时间计算的有用工具。