自洽性已成为提升大语言模型推理能力的热门技术，通过生成多条推理路径并以多数投票决定最终答案。然而，模型提供商通常按生成的路径数量计费，因而有动机人为增加路径数。本文展示了不诚信的提供商如何利用一种简单高效的算法，在审计者难以发现的情况下，通过生成并策略性重排额外的推理路径，使每条路径看似都是达成多数所必需的。
我们在 Llama、Qwen 系列的多种指令模型以及 DeepSeek‑R1 蒸馏的推理模型上，使用覆盖数学、科学和问答的基准数据集进行实验。结果表明，算法产生的额外路径分布呈重尾特性，即使在审计者将误报率控制在 $\alpha = 0.1$ 以下的最优审计方案下，仍存在显著的过度收费空间。
点评