多路径推理方法（如自一致性，Self‑Consistency，SC）会采样 $K$ 条推理路径并选取出现频率最高的答案。实验表明，随着 $K$ 增大，性能提升很快进入平台期，且现有方法无法预测何时出现饱和。我们将多路径 LLM 推理形式化为无线通信中的多样性组合问题：每条路径相当于一次带噪声的信道观测，路径正确性的两两相关性限制了投票的有效样本量，使其在有限上限处止步。\ 在可交换性假设下，广义最小二乘（GLS）分析得到，潜在嵌入的最优对称线性组合系数是均匀的，这解释了标准 SC 中多数投票的自然性，同时也为在提示模板分支异质时进行加权或剪枝留下空间。\ 我们在 5 种模型和 12 项基准上实验，发现 提示模板多样性 能在 $57$ 个有效单元中有 $55$ 个降低路径相关性，尤其对开放式问答（Open‑ended QA）效果最显著。基于此，我们推导出 自适应 K 规则（Adaptive‑K）：使用四条路径的试点实验估计相关性后选取最优 $K^*$，在数学、问答和自然语言理解任务上保持了 $96\%\sim103\%$ 的 MV@$K{=}32$ 准确率。\
点评：本文将多路径推理与信道组合理论巧妙对接，提供了理论上解释多数投票最优性的依据，并给出实用的自适应采样策略，显著缓解了采样规模的收益饱和问题。