实证打脸自我反思：36次对比全无胜绩，模型自检反降10%

omarsar0 · x · 2026-08-05

一篇最新论文对 LLM 的「自我反思」机制进行了严格的实证测试。研究选取了 7 种主流方法，在 1.5B、3B 和 7B 参数的开源模型上进行数学基准测试，并严格计算了反思、批评等环节消耗的所有 token。

结果显示，在控制计算成本的前提下，所有 36 次对比测试中，没有任何一种反思方法带来可靠的性能提升。更糟的是，其中 10 次测试结果明显低于基线，且全部属于「模型自检输出」的方法。例如，在 7B 模型上，强制反思反而使准确率下降了 3.6 到 10.1 个百分点。