Autoconsistencia: múltiples rutas de razonamiento
En esta página
Lección actualizada el 3 de noviembre de 2026 según la documentación de OpenAI:
temperatureytop_psolo se aceptan con un esfuerzo de razonamiento denone, mientras que los modelos GPT-5.6 razonan por defecto (medium). Por tanto, las llamadas que establezcan estos parámetros deben especificarreasoning={"effort": "none"}(API de Responses) oreasoning_effort="none"(Chat Completions). Fuentes: Uso de GPT-6 · GPT-5.6 Terra.
Autoconsistencia: múltiples rutas de razonamiento
La autoconsistencia consiste en generar varias respuestas independientes a la misma solicitud y seleccionar después la más frecuente o coherente. El principio es la votación: una única llamada te expone al azar de un mal sorteo, mientras que cinco llamadas te proporcionan una distribución que puedes consultar. Esta técnica mejora significativamente la fiabilidad de las respuestas, especialmente en tareas de razonamiento lógico y matemático.
El problema que resuelve
Un LLM puede ofrecer una respuesta distinta en cada llamada, incluso con una solicitud estrictamente idéntica. Algunas de estas respuestas son correctas; otras, no. Nada en la salida indica cuál estás leyendo: una respuesta errónea se afirma con la misma confianza que una correcta. La autoconsistencia convierte esta variabilidad en una ventaja. Si el modelo llega a la misma conclusión mediante varias rutas de razonamiento distintas, es probable que dicha conclusión sea correcta; un error, por el contrario, rara vez se reproduce de forma idéntica de un sorteo a otro, porque depende precisamente de la ruta seguida.
Implementación básica
El mecanismo consta de tres pasos: generar, extraer la respuesta final y votar. El marcador >>> ANSWER: impuesto en las instrucciones no es cosmético: es lo que permite analizar la salida sin tener que interpretar el razonamiento que la precede. Sin este anclaje, tendrías que escribir una heurística frágil para adivinar dónde termina la reflexión y empieza la conclusión.
from openai import OpenAI
from collections import Counter
client = OpenAI()
def self_consistency(prompt: str, system: str = "",
n: int = 5, model: str = "gpt-5.6-terra") -> dict:
"""Genera n respuestas y devuelve la más frecuente."""
responses = []
for _ in range(n):
response = client.responses.create(
model=model,
reasoning={"effort": "none"}, # temperature requiere effort none
instructions=system + "\nRazona paso a paso y da "
"tu respuesta final tras '>>> ANSWER:'",
input=prompt,
temperature=0.7 # Temperature > 0 para diversidad
)
responses.append(response.output_text)
# Extraer las respuestas finales
answers = []
for r in responses:
if ">>> ANSWER:" in r:
answer = r.split(">>> ANSWER:")[-1].strip()
answers.append(answer)
# Votación por mayoría
if answers:
counter = Counter(answers)
best_answer, count = counter.most_common(1)[0]
return {
"answer": best_answer,
"confidence": count / len(answers),
"all_answers": dict(counter),
"total_responses": len(answers)
}
return {"answer": None, "confidence": 0}
Qué te dice la votación
Aplicada a la clasificación de sentimiento, la función no devuelve solo una etiqueta, sino una distribución, y esa distribución suele ser más valiosa que la propia etiqueta. Para la reseña siguiente, genuinamente ambigua —el producto está bien, pero la entrega fue desastrosa—, cuatro llamadas votan «negativo» y tres votan «neutral». La confianza del 57 % te indica que este caso podría merecer un tratamiento especial: ponerlo en cola para revisión humana, pedir aclaraciones al usuario o simplemente excluirlo de las estadísticas agregadas. Una única llamada habría mostrado «negativo» sin matices, y habrías tratado este ticket exactamente igual que una reseña unánimemente furiosa.
system = """Eres un clasificador de sentimiento.
Analiza el texto y razona paso a paso.
Da tu respuesta final tras '>>> ANSWER:' eligiendo entre:
positive, negative, neutral"""
text = "The product is fine but the delivery took 3 weeks."
result = self_consistency(text, system, n=7)
print(f"Sentimiento: {result['answer']}")
print(f"Confianza: {result['confidence']:.0%}")
print(f"Distribución: {result['all_answers']}")
# Ejemplo de salida:
# Sentimiento: negative
# Confianza: 57%
# Distribución: {'negative': 4, 'neutral': 3}
Versión paralela con asyncio
El coste de esta técnica no es solo económico: cinco llamadas secuenciales implican también cinco veces la latencia, lo que descarta este enfoque en cualquier interfaz donde alguien esté esperando frente a la pantalla. Sin embargo, las llamadas son perfectamente independientes; no hay justificación para esperarlas una tras otra. asyncio.gather reduce el tiempo total al de la llamada más lenta, haciendo que la autoconsistencia sea compatible con el uso en línea, con una sobrecarga que pasa a ser puramente monetaria.
import asyncio
from openai import AsyncOpenAI
async_client = AsyncOpenAI()
async def self_consistency_async(prompt: str, system: str = "",
n: int = 5) -> dict:
"""Versión asíncrona de la autoconsistencia."""
async def single_call():
response = await async_client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requiere effort none
instructions=system + "\nRazona y da tu respuesta "
"tras '>>> ANSWER:'",
input=prompt,
temperature=0.7
)
return response.output_text
# Lanzar todas las solicitudes en paralelo
tasks = [single_call() for _ in range(n)]
results = await asyncio.gather(*tasks)
# Extraer y votar
answers = []
for r in results:
if ">>> ANSWER:" in r:
answers.append(r.split(">>> ANSWER:")[-1].strip())
counter = Counter(answers)
best, count = counter.most_common(1)[0] if answers else (None, 0)
return {
"answer": best,
"confidence": count / len(answers) if answers else 0,
"distribution": dict(counter)
}
Cuándo usar la autoconsistencia
El criterio de decisión es sencillo de enunciar: la votación solo tiene sentido si la respuesta es discreta y comparable. Dos resúmenes bien redactados no pueden contarse, ya que nunca serán idénticos carácter por carácter; dos etiquetas de categoría, sí.
| Caso de uso | ¿Útil? | Por qué |
|---|---|---|
| Clasificación | Sí | Respuesta discreta, votación sencilla |
| Razonamiento matemático | Sí | Múltiples rutas hacia la respuesta correcta |
| Extracción de entidades | Sí | Consenso sobre las entidades detectadas |
| Escritura creativa | No | No hay una única respuesta «correcta» |
| Resumen de texto | Parcial | Útil para hechos clave, no para el estilo |
Ajuste de la relación coste/fiabilidad
Tres llamadas son el número mínimo viable para que una votación por mayoría tenga sentido; cinco ofrecen el mejor compromiso para la mayoría de las aplicaciones; de siete a once están justificadas en decisiones críticas, donde un error cuesta mucho más que unas pocas llamadas adicionales. Sin embargo, la ganancia real proviene de cómo utilizas la puntuación de confianza, más que del tamaño de la muestra. Por debajo del 60 %, considera que no hay consenso y escala el proceso, ya sea a un operador humano o a un modelo más potente con más muestras, como se muestra a continuación.
result = self_consistency(question, system, n=5)
if result["confidence"] < 0.6:
# Sin consenso claro, escalar
result = self_consistency(question, system, n=9, model="gpt-5.6-sol")
La pregunta pendiente es si merece la pena el esfuerzo en tu caso concreto, y eso debe medirse, no asumirse. Implementa la versión asíncrona, ejecútala en una docena de preguntas de clasificación de sentimiento donde conozcas la respuesta esperada y compara después la precisión obtenida con una única llamada frente a cinco. La cifra que obtengas resolverá la cuestión de la sobrecarga para tu caso específico, algo que ninguna recomendación general puede hacer por ti.
Puntos clave
- La autoconsistencia genera múltiples respuestas y vota por la mejor
- Usa una temperature > 0 para lograr diversidad
- Efectiva en tareas con respuesta discreta (clasificación, cálculo)
- Inútil en tareas creativas sin una única respuesta correcta
- Paraleliza las llamadas con asyncio para limitar la latencia