.png){kind=icon}
返回
Refining LLMs outputs with iterative consensus ensemble (ICE)
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compbiomed.2025.110731.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 迭代共识集成（ICE）循环三个大型语言模型，相互批评直至达成一致答案。
• 该方法将准确率提升7–15个百分点，无需微调或额外硬件。
• 大多数问题在2–3轮内解决，保持代币成本低；用户可设定9轮上限以追求最终收益。
• ICE优于单次投票，在家庭医学选择题上以远低于O1-preview的成本达到同等水平，并提供完整日志。
Keyword:
Iterative Consensus Ensemble
large language models
accuracy improvement
token efficiency
multi-model collaboration
