Pensar Profundamente con Confianza

Resumen

Los Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en inglés) han demostrado un gran potencial en tareas de razonamiento mediante métodos de escalado en tiempo de prueba, como la autoconsistencia con votación mayoritaria. Sin embargo, este enfoque suele generar rendimientos decrecientes en precisión y un alto costo computacional. Para abordar estos desafíos, presentamos Deep Think with Confidence (DeepConf), un método simple pero potente que mejora tanto la eficiencia del razonamiento como el rendimiento en tiempo de prueba. DeepConf aprovecha señales internas de confianza del modelo para filtrar dinámicamente trazas de razonamiento de baja calidad durante o después de su generación. No requiere entrenamiento adicional del modelo ni ajuste de hiperparámetros y puede integrarse sin problemas en marcos de servicio existentes. Evaluamos DeepConf en una variedad de tareas de razonamiento y en los últimos modelos de código abierto, incluyendo Qwen 3 y la serie GPT-OSS. Destacablemente, en puntos de referencia desafiantes como AIME 2025, DeepConf@512 alcanza hasta un 99.9% de precisión y reduce los tokens generados hasta en un 84.7% en comparación con el pensamiento paralelo completo.

English

Large Language Models (LLMs) have shown great potential in reasoning tasks through test-time scaling methods like self-consistency with majority voting. However, this approach often leads to diminishing returns in accuracy and high computational overhead. To address these challenges, we introduce Deep Think with Confidence (DeepConf), a simple yet powerful method that enhances both reasoning efficiency and performance at test time. DeepConf leverages model-internal confidence signals to dynamically filter out low-quality reasoning traces during or after generation. It requires no additional model training or hyperparameter tuning and can be seamlessly integrated into existing serving frameworks. We evaluate DeepConf across a variety of reasoning tasks and the latest open-source models, including Qwen 3 and GPT-OSS series. Notably, on challenging benchmarks such as AIME 2025, DeepConf@512 achieves up to 99.9% accuracy and reduces generated tokens by up to 84.7% compared to full parallel thinking.