When Self-Consistency Backfires

论文对 GPQA Diamond 的 198 道研究生科学题做预注册复核，检验多条思路多数投票是否真的值得增加推理预算。Qwen2.5-7B 有 56.6% 的题目在 self-consistency 下逐题变差，Llama-3-8B 为 65.7%；最高一致性档对 Qwen 只有约一半正确，且一致性门控和 token entropy 门控都几乎没有帮助。作者明确把 reasoning-native 模型列为未解决变量，因此结果更像对小型 instruction-tuned 模型的警报，而不是对所有模型的否定。