引导式推测推理（GSI）的多重重要性采样

该研究将多重重要性采样（MIS）用于引导式推测推理（GSI），由多个小型LLM生成推理草稿，再由较大的基础模型和过程奖励模型验证。研究给出与最优奖励倾斜目标分布相关的 KL 散度界及预期奖励损失界，并证明 balance heuristic 最优。相同总样本数下，多模型组合保持有竞争力的 pass-at-N 下游表现，也能应对单一草稿模型支持集未覆盖目标分布时 GSI 可能失效的情况。