Consistent

Consistent（一致性）是衡量 AI 系统在多次运行、多轮交互或不同输入条件下能否保持稳定、可预期输出的核心属性。随着大模型智能体被用于自动评审、工具调用和预测任务，一致性正从单纯的模型评测指标，演变为决定智能体能否可靠落地的工程前提。

一致性的近期进展

Jev 的一致性属性有望用于构建更可靠的智能体评审器：Jev 提出的一致性属性被讨论用于构建更可靠的 LLM 智能体评审器。其思路是让评审器对同一输入的不同表述、扰动或采样路径给出尽量一致的判断，从而降低评审结果的随机性，为自动评估提供更稳定的基准。

FCD 方法解决 LLM 智能体工具调用的 schema-epoch 漂移问题：FCD 针对 LLM 智能体在工具调用中遇到的 schema-epoch 漂移——即工具接口定义随时间变化导致调用行为不一致——提出了一种缓解方法，帮助智能体在接口版本更迭时仍保持行为一致。

FunBCS：输入空间优化求解稀疏观测 PDE 反问题，误差降低 27-64%：在科学机器学习方向，FunBCS 通过输入空间优化求解稀疏观测下的 PDE 反问题，误差降低 27-64%，体现了在数据稀疏条件下维持解的一致性与稳定性的价值。

CrossRAG：检索增强的多变量时间序列预测框架：CrossRAG 将检索增强引入多变量时间序列预测，通过跨样本检索历史相似模式来约束预测输出，间接提升预测结果的一致性。

目前围绕一致性的讨论集中在两个层面：一是评估一致性，即模型作为评审器时能否给出可复现的判断，这直接影响用模型评模型这条路线的可信度；二是行为一致性，即智能体在外部接口漂移、输入扰动等真实环境变化下能否保持稳定。

值得关注的观察点包括：一致性指标能否成为智能体评测的标准组成部分；FCD 一类的接口适配方法是否会沉淀为通用工程实践；以及在稀疏数据场景中，以一致性为约束的优化是否能推广到更广泛的科学计算任务。整体来看，一致性正在成为从模型能力走向系统可靠性之间不可绕过的一环。