终于有一篇好论文检验自我反思循环是否值得。

实验设置：七种方法，开源模型涵盖 1.5B、3B 和 7B 规模，两个数学基准，每个基准 150 道题。

每个生成的 token 都被计入，包括用于批评、反思、辩论轮次和检查的部分。每种方法都在其自身测得的成本下与重复采样进行比较，按问题配对，并采用 bootstrap 置信区间和多重性校正。

全部 36 组比较中，没有任何方法取得可靠的胜出。有十组结果可靠地更差，而且每组对应的方法都是让模型检查自身输出。所有 18 组自我检查比较均为负面结果。

Self-Refine 和强制执行的 Reflexion 在 7B 规模下比基线低 3.6 到 10.1 个百分点。按原论文实现的 Reflexion 在最小的模型上从未触发过自身重试：它每次都认定自己正确，悄悄变成了单条思维链。

在向你的智能体循环中添加又一步批评之前，这一点值得了解。

论文：https://arxiv.org/abs/2607.28576

在我们的学院中追踪更多热门 AI 论文：https://academy.dair.ai

多采样，少反思：在相同 token 成本下，Self-Refine 和 Reflexion 从 1.5B 到 7B 均输给重复采样

来源：https://arxiv.org/abs/2607.28576 参考文献工具

参考文献与引文工具

参考文献浏览器切换

代码、数据与媒体

与本文相关的代码、数据与媒体

演示

演示

相关论文

推荐与搜索工具

关于 arXivLabs

arXivLabs：与社区合作者一起进行的实验项目

arXivLabs 是一个框架，允许合作者直接在我们的网站上开发和分享新的 arXiv 功能。

与 arXivLabs 合作的个人和组织都认同并接受我们关于开放、社区、卓越和用户数据隐私的价值观。arXiv 致力于这些价值观，并且只与遵守这些价值观的伙伴合作。

有一个能为 arXiv 社区带来价值的项目想法？了解更多关于 arXivLabs (https://info.arxiv.org/labs/index.html)。