// 6.2.2.md

6.2 协同的算法艺术：碰撞约束

6.2.2 求同：置信域交集的窄门

为了克服加权平均可能带来的“平庸化”风险，一种更严格、更追求共识的策略应运而生。这便是我所研究的“碰撞约束”的核心机制之一：寻找置信域的交集。

我们知道，大语言模型在生成文本时，常常采用一种名为“核心采样”（Nucleus Sampling, or Top-p）的策略。它并非总是选择概率最高的那个token，而是在一个累积概率达到某个阈值（比如p=0.95）的“候选词核心集”中进行采样。这个核心集，可以被看作是该模型在当前语境下，最有“自信”的一小撮候选token。

现在，让我们将这个思想应用到多专家系统中。当N个专家模型同时进行预测时，我们让每一个模型都生成它自己的“候选词核心集”，我们称之为S_1, S_2, ..., S_n。然后，我们不再是简单地将它们的概率加权，而是去寻找这些集合的“交集”（Intersection）：

$$
S_final = S_1 ∩ S_2 ∩ ... ∩ S_n
$$
最终，系统只被允许从这个“交集”S_final中进行采样。这意味着，任何一个最终被选中的token，都必须是所有专家模型都认为“极有可能”的候选者。它必须同时通过所有“审查官”的考核，才能走上舞台。

这是一种非常“保守”但极其有效的策略。它如同一道窄门，极大地过滤掉了那些由单个模型“幻觉”或“奇思妙想”所产生的、可能不靠谱的选项。在那些对事实准确性要求极高的任务中，比如生成一份严谨的法律文书或技术说明，这种“求同存异”中的“求同”之道，能够显著提升输出结果的可靠性，有效抑制“一本正经地胡说八道”。

然而，这道窄门，有时也可能因为过于严苛，而将真正的“天才”拒之门外。如果专家们的意见完全没有交集，或者交集小到扼杀了所有创造性，我们又该如何是好？