self-explanation

Self-CTRL 是一种强化学习方法，旨在提高语言模型自我解释与实际行为之间的一致性。它显著提升了自我报告偏差与测量偏差之间的相关性，并将拒绝预测准确率从36%提升到92%，同时减少了有害响应率。