---
term: "Best-of-N"
slug: "best-of-n"
glossar_id: "G190"
variants: ["Best-of-K"]
category: "reasoning-und-test-time-compute"
marker: ""
short: "Mehrere Kandidaten erzeugen und den bestbewerteten auswählen."
sources:
  - label: "Snell et al.: Test-Time Compute"
    url: "https://arxiv.org/pdf/2408.03314"
  - label: "Yao et al.: Tree of Thoughts"
    url: "https://arxiv.org/pdf/2305.10601"
status: "entwurf"
updated: "2026-09-21"
---

Best-of-N erzeugt mehrere Antwortkandidaten und wählt den am besten bewerteten aus. [Snell et al.: Test-Time Compute](https://arxiv.org/pdf/2408.03314) Das N steht für die Anzahl der Kandidaten; Best-of-K verwendet für dasselbe Grundprinzip lediglich einen anderen Buchstaben.

## Erzeugen und bewerten trennen

Bei der grundlegenden Variante entstehen die Kandidaten unabhängig voneinander. [Snell et al.: Test-Time Compute](https://arxiv.org/pdf/2408.03314) Anschließend bewertet ein Verifier oder Reward Model, also eine Prüfinstanz oder ein gelerntes Bewertungsmodell, die vorgeschlagenen Lösungen. [Snell et al.: Test-Time Compute](https://arxiv.org/pdf/2408.03314)

Die bestbewertete Ausgabe wird ausgewählt, ohne dass die korrekte Antwort für die neue Aufgabe bereits bekannt sein muss. [Snell et al.: Test-Time Compute](https://arxiv.org/pdf/2408.03314) „Best“ bedeutet dabei zunächst: am besten nach dem eingesetzten Bewertungsverfahren.

Die Forschung kennt auch Varianten, die Bewertungen mehrerer Lösungen mit derselben Endantwort zusammenführen. [Snell et al.: Test-Time Compute](https://arxiv.org/pdf/2408.03314) Diese gewichtete Auswahl sollte nicht mit der einfachen Regel verwechselt werden, ausschließlich den höchsten Einzelwert zu nehmen. [Snell et al.: Test-Time Compute](https://arxiv.org/pdf/2408.03314)

## So kannst du dir das vorstellen

Ein hypothetischer Assistent erstellt vier Vorschläge für einen Schulungsplan. Ein Prüfer bewertet, ob Pflichtinhalte vorkommen, Zeitfenster eingehalten werden und keine Person doppelt eingeplant ist.

Danach wird der bestbewertete Vorschlag weiterverwendet. Ein häufig vorkommender Plan müsste dabei nicht gewinnen; ausschlaggebend wäre seine Bewertung, nicht seine Häufigkeit.

Für dieses Beispiel würde ich verbindliche Ausschlusskriterien vor einer weichen Gesamtbewertung prüfen. Ein Plan mit einer unmöglichen Doppelbelegung sollte nicht durch eine besonders gute sprachliche Darstellung gewinnen.

## Die Auswahl ist nur so gut wie ihr Maßstab

Best-of-N unterscheidet sich damit von einfacher Self-Consistency, bei der die Häufigkeit gleicher Endantworten entscheidet. [Yao et al.: Tree of Thoughts](https://arxiv.org/pdf/2305.10601) [Snell et al.: Test-Time Compute](https://arxiv.org/pdf/2408.03314) Beide Verfahren verwenden mehrere Kandidaten, beantworten aber unterschiedliche Auswahlfragen.

Snell und Kollegen beschreiben Grenzen von Bewertungs- und Suchverfahren, einschließlich der Gefahr, Schwächen eines Prüfers auszunutzen. [Snell et al.: Test-Time Compute](https://arxiv.org/pdf/2408.03314) Viele Kandidaten garantieren deshalb keine gute Lösung, wenn der Maßstab ungeeignet ist oder alle Kandidaten denselben wesentlichen Fehler enthalten.

Für eine eigene Anwendung wäre neben der Qualität des ausgewählten Ergebnisses auch der Aufwand sämtlicher verworfener Kandidaten relevant. Die gesamte Kandidatenerzeugung und Bewertung gehört zum zusätzlichen Test-Time Compute. [Snell et al.: Test-Time Compute](https://arxiv.org/pdf/2408.03314)

## Verwandte Begriffe

**Self-Consistency**, **Verifier**, **Reward Model**, **Test-Time Compute**, **Tree of Thoughts**.