标签
一篇论文发现，Self-Refine 和 Reflexion 等自我反思循环在 1.5B 到 7B 的开源模型上，以相同的 token 成本并未优于重复采样，所有 18 项自我检查比较均为负面结果。
本文识别了推理模型测试时缩放中的“模态上限”和“相关上限”，表明在数十个样本之后，额外采样不会提高选择准确性，甚至可能有害，突显了生成正确回答与识别正确回答之间的可识别性差距。