Большинство лучших: улучшение Best-of-N с помощью бутстрэпа

Даже если LLM сгенерировала 100 вариантов ответа, выбор «лучшего» одним проходом модели-оценщика ненадёжен — судья сам ошибается. Метод MoB позволяет отфильтровать случайные ошибки оценки и найти статистически наиболее надёжный ответ среди множества кандидатов. Алгоритм создаёт тысячи случайных подгрупп из исходных N ответов, в каждой находит «лучший», а затем выбирает тот вариант, который побеждал чаще всего — если ответ стабильно признаётся лучшим в разных сравнениях, он с высокой вероятностью действительно правильный, а не просто случайно получил высокую оценку в одном-единственном сравнении.