自己整合性（Self-Consistency）は、大規模言語モデル（LLM）の推論精度を高めるためのプロンプティング手法（デコーディング戦略）である。同一の問いに対して複数の異なる推論パスを生成し、それぞれの回答を多数決で集計することで最終的な出力を決定する。
概要
Self-Consistencyは、Google Researchの研究者らによって提唱されたデコーディング戦略であり、2022年3月にarXivで初公開され、学術会議ICLR 2023で発表された論文『Self-Consistency Improves Chain of Thought Reasoning in Language Models』に基づく。Chain-of-Thought（CoT）プロンプティングと組み合わせて使用されるのが基本であり、CoTが「段階的に考えさせる」手法であるのに対し、Self-Consistencyは「複数回考えさせて多数決を取る」ことでCoTの信頼性を補強するという位置づけにある。
仕組み・ポイント
- 多様な推論パスの生成：通常の貪欲法（Greedy Decoding）による単一回答生成とは異なり、temperatureパラメータを0より高く設定した温度付きサンプリングを用いて、同じプロンプトから複数の独立した推論プロセスを生成する。
- 多数決による最終決定：生成された複数の推論パスそれぞれから得られた最終回答を集計し、最も多く出現した回答（最頻値）を採用する。複雑な問題には正しい答えへの多様な経路が存在するという直感がこの手法の背景にある。
- 性能向上の実績：提唱論文において、算術推論・常識推論などのベンチマークで単一CoTと比較して大幅な精度向上が報告されている。主な数値はGSM8Kで+17.9%、SVAMPで+11.0%、AQuAで+12.2%、StrategyQAで+6.4%、ARC-challengeで+3.9%。
- 計算コストのトレードオフ：通常10〜40回以上の推論を実行するため、計算コスト（推論時間・APIコスト）は生成回数に比例して増大する点が実運用上の制約となる。
- 関連する発展手法：推論プロセスを木構造で探索するTree of Thoughts（ToT）や、合意形成状況に応じてサンプリング数を動的調整するAdaptive-Consistencyなどが派生的に提案されている。
なぜ今注目されているのか
LLMを業務推論や意思決定支援に活用する動きが広がる中で、単一推論の出力精度だけでなくその信頼性をどう担保するかが実務上の課題となっており、Self-Consistencyはシンプルかつ実装コストの低い精度向上策として広く参照されている。一方で、2025年以降は手法の高度化も進んでいる。ACL 2025 Findingsでは、モデルの自信度スコアで重み付けした多数決を行うCISC（Confidence-Informed Self-Consistency）が提案され、サンプリング数を平均40%以上削減しながら精度を向上させる効果が報告された。また同じくACL 2025 Findingsでは、優先順位付投票やボルダ得点法などの投票理論を用いるRanked Voting based Self-Consistencyも提案されている。さらに2026年8月に発表された論文では、難解な科学問題（GPQAダイヤモンドベンチマーク等）において小型LLM（Qwen2.5-7BやLlama-3-8Bなど）にSelf-Consistencyを適用すると逆に精度が低下する「Backfire」現象が報告されており、適用範囲の限界についての議論も活発化している。
日本企業への示唆
Self-Consistencyは追加の学習やモデル改変を必要とせず、プロンプト設計とサンプリング設定の変更だけで導入できるため、既存 of LLM API環境でも比較的容易に試験導入できる点は実務上の利点である。ただし複数回の推論実行に伴うAPIコスト増大は無視できず、費用対効果の検証が不可欠となる。また、モデルの規模や対象タスクの難易度によっては効果が限定的、あるいは逆効果になる可能性が研究で示されているため、導入前にユースケース固有のベンチマークで効果を確認することが望ましい。コスト効率を重視する場合は、Adaptive-ConsistencyやCISCといった計算量を抑える派生手法の活用も検討に値する。
※ 本ページはAI News JAPAN編集部が最新の動向を踏まえて解説したものです。内容は随時見直します。
