序列级幂采样近期被提出为一种无需额外训练的推理方法，它通过对基础大语言模型（LLM）的输出分布进行锐化后进行采样。现有方法通常在所有查询上使用统一的锐化指数，忽视了查询难度以及模型对不同查询的已有处理能力的差异。\ \ 本文的目标是为幂采样引入查询自适应机制。理论分析表明，进一步锐化的收益取决于正确答案与错误答案之间的自奖励差距（self‑reward gap）。基于此洞见，我们提出 自适应幂采样 (Adaptive Power Sampling, APS)：在测试阶段，根据答案一致性与模型自奖励之间的关系，为每个查询动态调整锐化指数。\ \ 实验在多个推理基准上进行，包括 MATH500、HumanEval 和 GPQA。结果显示，APS 在不进行任何额外训练的前提下，始终优于使用固定锐化指数的幂采样。\ \ 点评