最近技术圈有一条新闻非常值得关注OpenAI 公开了一份约 62 页的核心手稿外界广泛讨论的是其中提到的“AI 连破十道菲尔兹奖级数学难题”。很多开发者看到这类标题第一反应往往是“这和我有什么关系”。但如果换一个视角这条新闻背后其实是一整套可以复用的工程方法论推理模型如何工作如何通过 API 接入自己的项目如何设计“自动解题 独立验证”的闭环避免被 AI 一本正经地误导。这篇文章不打算做新闻复述而是从工程落地的角度拆解三件事第一AI 为什么能解非常难的数学题推理模型的核心机制是什么第二作为开发者如何通过 API 把推理能力接入到自己的系统里第三如何构建“多采样 多数投票 符号验证”的最小闭环让 AI 的答案变得可信、可审计。无论你是后端开发者、算法工程师还是想把 AI 用于教研管理的从业者都可以按本文的思路把整套流程跑通。1. 背景与核心概念1.1 事件背景AI 逼近竞赛与研究级数学难题先简单解释一下菲尔兹奖。菲尔兹奖是数学领域的国际顶级奖项每四年颁发一次授予年龄不超过 40 岁、做出过突出贡献的数学家通常被称作“数学界的诺贝尔奖”。能被冠以“菲尔兹奖级”的题目说明难度远超普通竞赛题依靠记忆公式或机械计算几乎不可能解决必须依赖构造、联想、试错和严格的逻辑证明。AI 在数学领域的进步是阶梯式的。早期语言模型可以做四则运算和套公式题但遇到需要多步推导的竞赛题经常在中间某一步出错而且出错时看起来依然非常自信。后来出现了一个关键转变也是 o1、o3 这类推理模型的核心变化不再要求模型“一步到位”输出答案而是让模型在回答前先输出大量内部推理过程也就是“先思考、再回答”。公开报道显示这类模型在 AIME、GPQA 等难度较高的推理基准上提升明显部分任务已经超过人类专家平均水平。这里需要做一个概念区分新闻标题里的“菲尔兹奖级”指的是题目难度等级而不是说 AI 已经拿到菲尔兹奖。所谓“十道难题”更像是一个具有代表性的高难度测试集合AI 能在其中大部分题目上得到可验证的结论本身就是研究方向的重要进展。作为工程师我们更应该关注的是这种能力背后的机制是什么稳定性如何怎么把它接入真实的业务系统。1.2 什么是推理模型与测试时计算传统语言模型的工作原理可以简单理解为给定一段文本预测下一个最有可能出现的 token。它天然擅长“接龙”但不擅长规划。面对一道复杂数学题如果让普通模型直接输出答案它很容易沿着一条错误方向一路走到黑因为每一步单独看起来都很合理。推理模型的区别在于它把“思考”也变成了推理阶段可以消耗的算力。模型在输出最终答案之前会先生成一段较长的内部思考过程过程中会尝试多种思路、自我检查、发现矛盾后回退再收敛到最终答案。这种“在推理阶段增加计算量”的做法工程上叫 test-time compute也就是测试时计算。你可以把它类比成做题习惯普通模型像快问快答看见题目立刻给答案推理模型像打草稿先在草稿纸上分析条件、尝试突破口、检查漏洞最后才誊写答案。草稿纸越长通常正确率越高但延迟和成本也会同步上升。这也是推理模型 API 比普通模型更贵、更慢的根源。1.3 为什么数学是检验 AI 推理能力的试金石很多人会问为什么要拿数学题来评估 AI这背后有几个非常现实的原因。首先数学题有标准答案验证成本低。一道题解出来就是对错了就是错很少存在模棱两可的中间态这让自动化评估变得可行。其次数学题很难靠“背语料”蒙混过关。互联网上虽然存在大量解题过程但一道新题或经过改写的变体题模型无法通过检索式记忆来回答必须真正进行逻辑推理。最后数学推理能力和其他领域有很强的迁移性。程序代码的逻辑分支、法律文书的因果链条、金融风控中的规则推断、Agent 任务里的步骤规划底层都需要“理解约束 多步推演 结果校验”的能力。一个模型数学推理能力强并不代表它在所有任务上都可靠但至少说明它的基础推理机制是可用的。1.4 几个值得了解的数学推理基准在阅读推理模型相关新闻时会频繁遇到几个基准名称这里统一整理出来基准名称考察内容难度特点AIME美国数学邀请赛题目竞赛级需要多步推导与技巧GPQA研究生级别科学问答跨学科、需要专业知识与推理FrontierMathEpoch AI 发布的数学研究题难度极高接近研究级问题IMO国际数学奥林匹克以证明题为主对严谨性要求极高不同基准的难度差异很大新闻里说的“菲尔兹奖级”更接近 FrontierMath 这类前沿研究级题目。理解这些基准之间的差异能帮我们更客观地评估模型的真实能力而不是被一个笼统的“破解难题”标题带偏节奏。2. 技术原理从语言模型到数学推理2.1 思维链让模型先拆解再回答“思维链”Chain of ThoughtCoT是当前推理模型最重要的前置技术之一。它的核心思想很简单在提示词中要求模型把推理过程一步步写出来而不是直接给出最终答案。早在 GPT-3 时代研究者就发现只要加上一句“请一步一步思考”模型在算术题上的正确率就会明显上升。看一个最简单的示例。假设要解一道代数题问题小明买了 3 支笔和 2 个本子共花了 19 元一支笔比一个本子贵 2 元。求一支笔的价格。 请一步一步推理最后给出答案。如果让模型直接回答它可能凭直觉给出错误结果。但如果要求它先设未知数设一支笔的价格为 x 元一个本子的价格为 y 元。 由题意得到方程 3x 2y 19 x - y 2 由第二个方程可得 x y 2代入第一个方程……只要中间每一步都写在草稿纸上后面检查时就能精确定位是哪一步出错。推理模型在训练时会专门强化这种“长思考”能力甚至会在内部隐藏思考中自己检查前后矛盾。这也是为什么同一个问题推理模型的输出篇幅会远远大于普通模型。2.2 自我一致性用多数投票消除随机错误即使是最强的推理模型单次推理仍然可能出错。一个简单有效的工程技巧叫“自我一致性”Self-Consistency让模型对同一道题采样多次得到多条推理路径然后对最终答案进行投票选出现次数最多的答案作为最终结果。这个技巧背后的逻辑是模型在随机采样时正确答案对应的推理路径往往会被多次选中而错误路径通常“各有各的错法”很难恰好都错成同一个最终答案。因此多数投票可以天然过滤掉偶发的随机错误。这个技巧最大的优势是不需要重新训练模型只需要在 API 层做循环调用非常适合工程落地。代价是多次调用会带来成本和延迟的成倍增加实际使用时需要在准确率和成本之间取一个平衡。2.3 独立验证器与形式化证明防止“一本正经胡说”推理模型还有一个明显缺陷它可能把错误推理写得非常流畅非专业人士很难一眼看出漏洞。因此高水平 AI 数学系统都会配一个独立验证器。验证思路主要分两种。一种是结果验证把模型给出的符号表达式或数值结果交给 SymPy 这类符号计算库或专门的评分器去验证。另一种是过程验证训练一个奖励模型给推理的每一步打分或者在 Lean、Isabelle 等定理证明器中把解题过程形式化让机器自动检查每一步推导是否合法。AlphaProof 这类系统走的就是“大模型生成候选证明 形式化证明器验证”的路线只有验证通过的结论才算真正解决。对普通开发者的启示非常直接不要把模型当作最终裁判。模型的输出只是一条候选解必须与独立的验证手段配合才能构成一个可信的系统。2.4 训练方式可验证奖励与强化学习推理模型的能力不仅来自提示词技巧更来自训练方式的改变。公开资料显示o1 系列在训练阶段大量使用“可验证奖励”verifiable rewards的强化学习对于数学题答案是否正确是确定性可判定的模型每生成一条推理路径系统都能给出明确的奖励信号。这种训练方式的效果是模型不再只是模仿人类解题文本而是在强化学习过程中自己探索出更长、更有效的推理链。它可能会尝试一个错误思路、发现矛盾、换一种方法这些行为在传统“预测下一个词”的训练目标中是很难出现的。可以这样理解普通模型学的是“像人一样说话”推理模型学的是“像解题者一样思考和纠错”。2.5 从数学推理到编程 Agent推理能力的价值不止于数学。OpenAI 将 Codex 开源后社区很快就注意到它实际上是把“规划—执行—验证”的闭环用到了代码任务上Agent 先理解需求再拆解任务、调用工具、运行测试根据测试结果修正代码。这和数学解题的流程高度相似先生成候选方案再用可执行的方式验证失败就重来。因此理解推理模型如何解决数学题也是在为理解更复杂的 Agent 应用打基础。下面我们直接进入工程实践把整套流程完整跑通。3. 环境准备与 API 基础3.1 创建账号与获取 API Key如果你还没有 OpenAI 开发者账号需要先在官方开发者平台注册并创建一个 API Key。这里有一个需要特别强调的安全事项API Key 属于敏感凭证只会在创建时完整显示一次后续无法再次查看明文。请把它保存在本地的环境变量中不要提交到 Git 仓库也不要在公开代码块里贴出真实密钥。如果团队的接入方式不是官方在线接口也可以使用经过授权的云服务网关或第三方兼容服务如果使用本地部署的模型则完全不需要外部 API。本文示例以官方 API 为例但整体流程同样适用于 OpenAI 兼容协议的服务你只需要修改模型名称和基础地址即可。设置环境变量的方式以 Linux/macOS 为例export OPENAI_API_KEYsk-你的密钥Windows PowerShell 下可以使用$env:OPENAI_API_KEYsk-你的密钥3.2 安装 Python 依赖本文示例使用 Python 3.10 及以上版本。需要安装两个库openai 客户端库和 sympy 符号计算库后者用于对模型答案做独立验证。pip install --upgrade openai sympy也可以写一个 requirements.txt 方便复现openai1.30.0 sympy1.12版本说明OpenAI 官方 Python 库迭代较快下面示例以 1.x API 为准。如果项目里还是 0.x 老版本很多方法名和参数会有差异建议先升级到 1.x。3.3 最小调用示例先写一个最简单的调用验证环境和 Key 是否正常。# 文件hello_reasoning.py from openai import OpenAI client OpenAI() # 自动读取环境变量 OPENAI_API_KEY resp client.chat.completions.create( modelo3-mini, messages[ { role: user, content: 请计算 3 * 8 24 / 6 的值先写推理过程再给出最终答案。 } ], max_completion_tokens2048, ) print(resp.choices[0].message.content)运行python hello_reasoning.py正常情况下你会看到模型先输出一段推理过程最后给出答案 28。这里需要注意推理模型的调度参数和普通模型不同早期版本的 o1/o3 系列通常固定使用 temperature1并且使用 max_completion_tokens 而不是 max_tokens 来控制输出长度。具体参数可能存在版本差异请以你实际使用的模型文档为准。4. 完整实战构建一个“数学解题与独立验证”工具4.1 任务需求下面我们构建一个最小可用的“数学解题工作台”实现三个能力输入一道数学题。让推理模型采样多条解题路径。提取最终答案、多数投票并用 SymPy 做独立验证。这个工具虽然简单但已经体现了“生成—采样—验证”的核心工程思路。你可以把它迁移到代码生成、SQL 生成、自然语言推理等场景中。4.2 完整代码# 文件math_solver.py import re import time from collections import Counter from openai import OpenAI import sympy as sp client OpenAI() SYSTEM_PROMPT 你是一名严谨的数学解题助手。 请按照以下格式输出 1. 推理过程逐步写出你的思考过程。 2. 最终答案在单独一行输出“最终答案结果”。 请确保最终答案简洁、确定并和推理过程保持一致。 MATH_PROBLEM 已知方程 x^2 - 5x 6 0求 x 的两个根。 请给出详细推理过程并分别列出两个根。 def call_model(problem: str, model: str o3-mini) - str: 调用一次推理模型返回完整文本。 resp client.chat.completions.create( modelmodel, messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: problem}, ], max_completion_tokens4096, ) return resp.choices[0].message.content or def extract_final_answer(text: str) - str: 从模型输出中提取最终答案。 match re.search(r最终答案[:]\s*(.), text) if match: return match.group(1).strip() # 如果没按要求输出退回取最后一行 lines [line.strip() for line in text.strip().splitlines() if line.strip()] return lines[-1] if lines else def solve_with_consistency(problem: str, n_samples: int 5) - None: 多采样 多数投票 符号验证。 answers [] for i in range(n_samples): print(f[{i 1}/{n_samples}] 开始采样...) output call_model(problem) answer extract_final_answer(output) answers.append(answer) print(f第 {i 1} 次答案{answer}) time.sleep(1) # 简单限流避免触发频控 counter Counter(answers) final_answer, vote_count counter 推理模型如何解数学难题：API接入与独立验证的工程实践
最近技术圈有一条新闻非常值得关注OpenAI 公开了一份约 62 页的核心手稿外界广泛讨论的是其中提到的“AI 连破十道菲尔兹奖级数学难题”。很多开发者看到这类标题第一反应往往是“这和我有什么关系”。但如果换一个视角这条新闻背后其实是一整套可以复用的工程方法论推理模型如何工作如何通过 API 接入自己的项目如何设计“自动解题 独立验证”的闭环避免被 AI 一本正经地误导。这篇文章不打算做新闻复述而是从工程落地的角度拆解三件事第一AI 为什么能解非常难的数学题推理模型的核心机制是什么第二作为开发者如何通过 API 把推理能力接入到自己的系统里第三如何构建“多采样 多数投票 符号验证”的最小闭环让 AI 的答案变得可信、可审计。无论你是后端开发者、算法工程师还是想把 AI 用于教研管理的从业者都可以按本文的思路把整套流程跑通。1. 背景与核心概念1.1 事件背景AI 逼近竞赛与研究级数学难题先简单解释一下菲尔兹奖。菲尔兹奖是数学领域的国际顶级奖项每四年颁发一次授予年龄不超过 40 岁、做出过突出贡献的数学家通常被称作“数学界的诺贝尔奖”。能被冠以“菲尔兹奖级”的题目说明难度远超普通竞赛题依靠记忆公式或机械计算几乎不可能解决必须依赖构造、联想、试错和严格的逻辑证明。AI 在数学领域的进步是阶梯式的。早期语言模型可以做四则运算和套公式题但遇到需要多步推导的竞赛题经常在中间某一步出错而且出错时看起来依然非常自信。后来出现了一个关键转变也是 o1、o3 这类推理模型的核心变化不再要求模型“一步到位”输出答案而是让模型在回答前先输出大量内部推理过程也就是“先思考、再回答”。公开报道显示这类模型在 AIME、GPQA 等难度较高的推理基准上提升明显部分任务已经超过人类专家平均水平。这里需要做一个概念区分新闻标题里的“菲尔兹奖级”指的是题目难度等级而不是说 AI 已经拿到菲尔兹奖。所谓“十道难题”更像是一个具有代表性的高难度测试集合AI 能在其中大部分题目上得到可验证的结论本身就是研究方向的重要进展。作为工程师我们更应该关注的是这种能力背后的机制是什么稳定性如何怎么把它接入真实的业务系统。1.2 什么是推理模型与测试时计算传统语言模型的工作原理可以简单理解为给定一段文本预测下一个最有可能出现的 token。它天然擅长“接龙”但不擅长规划。面对一道复杂数学题如果让普通模型直接输出答案它很容易沿着一条错误方向一路走到黑因为每一步单独看起来都很合理。推理模型的区别在于它把“思考”也变成了推理阶段可以消耗的算力。模型在输出最终答案之前会先生成一段较长的内部思考过程过程中会尝试多种思路、自我检查、发现矛盾后回退再收敛到最终答案。这种“在推理阶段增加计算量”的做法工程上叫 test-time compute也就是测试时计算。你可以把它类比成做题习惯普通模型像快问快答看见题目立刻给答案推理模型像打草稿先在草稿纸上分析条件、尝试突破口、检查漏洞最后才誊写答案。草稿纸越长通常正确率越高但延迟和成本也会同步上升。这也是推理模型 API 比普通模型更贵、更慢的根源。1.3 为什么数学是检验 AI 推理能力的试金石很多人会问为什么要拿数学题来评估 AI这背后有几个非常现实的原因。首先数学题有标准答案验证成本低。一道题解出来就是对错了就是错很少存在模棱两可的中间态这让自动化评估变得可行。其次数学题很难靠“背语料”蒙混过关。互联网上虽然存在大量解题过程但一道新题或经过改写的变体题模型无法通过检索式记忆来回答必须真正进行逻辑推理。最后数学推理能力和其他领域有很强的迁移性。程序代码的逻辑分支、法律文书的因果链条、金融风控中的规则推断、Agent 任务里的步骤规划底层都需要“理解约束 多步推演 结果校验”的能力。一个模型数学推理能力强并不代表它在所有任务上都可靠但至少说明它的基础推理机制是可用的。1.4 几个值得了解的数学推理基准在阅读推理模型相关新闻时会频繁遇到几个基准名称这里统一整理出来基准名称考察内容难度特点AIME美国数学邀请赛题目竞赛级需要多步推导与技巧GPQA研究生级别科学问答跨学科、需要专业知识与推理FrontierMathEpoch AI 发布的数学研究题难度极高接近研究级问题IMO国际数学奥林匹克以证明题为主对严谨性要求极高不同基准的难度差异很大新闻里说的“菲尔兹奖级”更接近 FrontierMath 这类前沿研究级题目。理解这些基准之间的差异能帮我们更客观地评估模型的真实能力而不是被一个笼统的“破解难题”标题带偏节奏。2. 技术原理从语言模型到数学推理2.1 思维链让模型先拆解再回答“思维链”Chain of ThoughtCoT是当前推理模型最重要的前置技术之一。它的核心思想很简单在提示词中要求模型把推理过程一步步写出来而不是直接给出最终答案。早在 GPT-3 时代研究者就发现只要加上一句“请一步一步思考”模型在算术题上的正确率就会明显上升。看一个最简单的示例。假设要解一道代数题问题小明买了 3 支笔和 2 个本子共花了 19 元一支笔比一个本子贵 2 元。求一支笔的价格。 请一步一步推理最后给出答案。如果让模型直接回答它可能凭直觉给出错误结果。但如果要求它先设未知数设一支笔的价格为 x 元一个本子的价格为 y 元。 由题意得到方程 3x 2y 19 x - y 2 由第二个方程可得 x y 2代入第一个方程……只要中间每一步都写在草稿纸上后面检查时就能精确定位是哪一步出错。推理模型在训练时会专门强化这种“长思考”能力甚至会在内部隐藏思考中自己检查前后矛盾。这也是为什么同一个问题推理模型的输出篇幅会远远大于普通模型。2.2 自我一致性用多数投票消除随机错误即使是最强的推理模型单次推理仍然可能出错。一个简单有效的工程技巧叫“自我一致性”Self-Consistency让模型对同一道题采样多次得到多条推理路径然后对最终答案进行投票选出现次数最多的答案作为最终结果。这个技巧背后的逻辑是模型在随机采样时正确答案对应的推理路径往往会被多次选中而错误路径通常“各有各的错法”很难恰好都错成同一个最终答案。因此多数投票可以天然过滤掉偶发的随机错误。这个技巧最大的优势是不需要重新训练模型只需要在 API 层做循环调用非常适合工程落地。代价是多次调用会带来成本和延迟的成倍增加实际使用时需要在准确率和成本之间取一个平衡。2.3 独立验证器与形式化证明防止“一本正经胡说”推理模型还有一个明显缺陷它可能把错误推理写得非常流畅非专业人士很难一眼看出漏洞。因此高水平 AI 数学系统都会配一个独立验证器。验证思路主要分两种。一种是结果验证把模型给出的符号表达式或数值结果交给 SymPy 这类符号计算库或专门的评分器去验证。另一种是过程验证训练一个奖励模型给推理的每一步打分或者在 Lean、Isabelle 等定理证明器中把解题过程形式化让机器自动检查每一步推导是否合法。AlphaProof 这类系统走的就是“大模型生成候选证明 形式化证明器验证”的路线只有验证通过的结论才算真正解决。对普通开发者的启示非常直接不要把模型当作最终裁判。模型的输出只是一条候选解必须与独立的验证手段配合才能构成一个可信的系统。2.4 训练方式可验证奖励与强化学习推理模型的能力不仅来自提示词技巧更来自训练方式的改变。公开资料显示o1 系列在训练阶段大量使用“可验证奖励”verifiable rewards的强化学习对于数学题答案是否正确是确定性可判定的模型每生成一条推理路径系统都能给出明确的奖励信号。这种训练方式的效果是模型不再只是模仿人类解题文本而是在强化学习过程中自己探索出更长、更有效的推理链。它可能会尝试一个错误思路、发现矛盾、换一种方法这些行为在传统“预测下一个词”的训练目标中是很难出现的。可以这样理解普通模型学的是“像人一样说话”推理模型学的是“像解题者一样思考和纠错”。2.5 从数学推理到编程 Agent推理能力的价值不止于数学。OpenAI 将 Codex 开源后社区很快就注意到它实际上是把“规划—执行—验证”的闭环用到了代码任务上Agent 先理解需求再拆解任务、调用工具、运行测试根据测试结果修正代码。这和数学解题的流程高度相似先生成候选方案再用可执行的方式验证失败就重来。因此理解推理模型如何解决数学题也是在为理解更复杂的 Agent 应用打基础。下面我们直接进入工程实践把整套流程完整跑通。3. 环境准备与 API 基础3.1 创建账号与获取 API Key如果你还没有 OpenAI 开发者账号需要先在官方开发者平台注册并创建一个 API Key。这里有一个需要特别强调的安全事项API Key 属于敏感凭证只会在创建时完整显示一次后续无法再次查看明文。请把它保存在本地的环境变量中不要提交到 Git 仓库也不要在公开代码块里贴出真实密钥。如果团队的接入方式不是官方在线接口也可以使用经过授权的云服务网关或第三方兼容服务如果使用本地部署的模型则完全不需要外部 API。本文示例以官方 API 为例但整体流程同样适用于 OpenAI 兼容协议的服务你只需要修改模型名称和基础地址即可。设置环境变量的方式以 Linux/macOS 为例export OPENAI_API_KEYsk-你的密钥Windows PowerShell 下可以使用$env:OPENAI_API_KEYsk-你的密钥3.2 安装 Python 依赖本文示例使用 Python 3.10 及以上版本。需要安装两个库openai 客户端库和 sympy 符号计算库后者用于对模型答案做独立验证。pip install --upgrade openai sympy也可以写一个 requirements.txt 方便复现openai1.30.0 sympy1.12版本说明OpenAI 官方 Python 库迭代较快下面示例以 1.x API 为准。如果项目里还是 0.x 老版本很多方法名和参数会有差异建议先升级到 1.x。3.3 最小调用示例先写一个最简单的调用验证环境和 Key 是否正常。# 文件hello_reasoning.py from openai import OpenAI client OpenAI() # 自动读取环境变量 OPENAI_API_KEY resp client.chat.completions.create( modelo3-mini, messages[ { role: user, content: 请计算 3 * 8 24 / 6 的值先写推理过程再给出最终答案。 } ], max_completion_tokens2048, ) print(resp.choices[0].message.content)运行python hello_reasoning.py正常情况下你会看到模型先输出一段推理过程最后给出答案 28。这里需要注意推理模型的调度参数和普通模型不同早期版本的 o1/o3 系列通常固定使用 temperature1并且使用 max_completion_tokens 而不是 max_tokens 来控制输出长度。具体参数可能存在版本差异请以你实际使用的模型文档为准。4. 完整实战构建一个“数学解题与独立验证”工具4.1 任务需求下面我们构建一个最小可用的“数学解题工作台”实现三个能力输入一道数学题。让推理模型采样多条解题路径。提取最终答案、多数投票并用 SymPy 做独立验证。这个工具虽然简单但已经体现了“生成—采样—验证”的核心工程思路。你可以把它迁移到代码生成、SQL 生成、自然语言推理等场景中。4.2 完整代码# 文件math_solver.py import re import time from collections import Counter from openai import OpenAI import sympy as sp client OpenAI() SYSTEM_PROMPT 你是一名严谨的数学解题助手。 请按照以下格式输出 1. 推理过程逐步写出你的思考过程。 2. 最终答案在单独一行输出“最终答案结果”。 请确保最终答案简洁、确定并和推理过程保持一致。 MATH_PROBLEM 已知方程 x^2 - 5x 6 0求 x 的两个根。 请给出详细推理过程并分别列出两个根。 def call_model(problem: str, model: str o3-mini) - str: 调用一次推理模型返回完整文本。 resp client.chat.completions.create( modelmodel, messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: problem}, ], max_completion_tokens4096, ) return resp.choices[0].message.content or def extract_final_answer(text: str) - str: 从模型输出中提取最终答案。 match re.search(r最终答案[:]\s*(.), text) if match: return match.group(1).strip() # 如果没按要求输出退回取最后一行 lines [line.strip() for line in text.strip().splitlines() if line.strip()] return lines[-1] if lines else def solve_with_consistency(problem: str, n_samples: int 5) - None: 多采样 多数投票 符号验证。 answers [] for i in range(n_samples): print(f[{i 1}/{n_samples}] 开始采样...) output call_model(problem) answer extract_final_answer(output) answers.append(answer) print(f第 {i 1} 次答案{answer}) time.sleep(1) # 简单限流避免触发频控 counter Counter(answers) final_answer, vote_count counter