同一个问题问 5 遍 AI，答案不一样？这不是 bug，是方法

01投票模拟器：亲眼看数学发生

调节「单次判断正确率」和「投票人数」，看多数票正确率怎么变。点「模拟一次投票」看现场的票型——注意把 p 拖到 0.5 以下时发生什么：

多数票正确率 = P(过半数判断正确) = Σ C(N,k)·pᵏ·(1−p)ᴺ⁻ᵏ（k > N/2），二项分布精确计算。这就是 18 世纪孔多塞陪审团定理的当代版本。

0250% 分水岭：投票放大的是方向，不是正确

把 p 拖到 48% 以下再加大 N，你会看到多数票正确率一路奔向 0——这不是模拟器坏了，这是定理在警告你：

• p > 50%：每个判断都带着一丝正确方向的信号，投票把信号放大——N 越大，正确率越接近 100%。
• p < 50%：每个判断都带着一丝系统性偏差，投票把偏差放大——N 越大，错得越一致。
• p = 50%：真·抛硬币，投多少次都还是 50%。

所以「多问几遍取多数」之前的那个步骤才是关键：校准——先在已知答案的题目上测出你的（或模型的）真实正确率，过半才配投票。投票放大的是方向，不是正确；方向错了，人多势众恰恰是最坏的消息。

对人的翻译：集体讨论前，先各自独立写下判断再同时亮牌——既保住独立性（投票的数学前提），又能当场算出「我们组在这类问题上的 p 大概是多少」。顺序反过来（先讨论后表态），独立性就没了，25 张嘴只剩 3 个声音。

0312.2 倍的秘密：并行求值的经济学

工程侧的另一半故事。生成模型输出是串行链条——第 N 个词依赖前 N−1 个，所以越写越贵、越写越慢；判断模型对一个请求里的 K 个问题同时求值：

直觉算术：一次调用的成本 ≈ state token × 单价（输出免费），延迟 ≈ state 处理时间。串行 13 次 = 付 13 次 state 的钱、等 13 次；打包 = 付 1 次 state + 13 段几十 token 的问题描述。同一份上下文上的所有判断，无论几道，都该合并进一个请求。

04投机性扇出：把可能用到的判断一次问完

「投机性」的含义：你赌其中一部分答案将来有用——赌注极低（每问千分之一美分级），赌赢一次（少发一次请求、少等一轮）就回本。三条纪律：同一份 state 的问题才合并；问题 ID 稳定命名（它是日志与回归的主键）；答案全量落盘——「没用上」的答案在校准里全是金子。