标签
DMAIC-Bench 提出「自我克制」（self-restraint）能力评测，包含 15 个工业案例共 97 个任务及配对反事实变体，发现 13 个模型在 NO-GO 决策上的执行路由准确率平均仅 19%，远低于 GO 决策的 92%。
该论文提出一个通用框架，将数据驱动的行为发现、分析与实验研究相结合，用于理解大模型驱动智能体在轨迹中的行为组织方式，并以迭代自我反思为例说明发现、依赖学习与提示对比如何相互作用。
作者构建了一个名为 MAVIS 的个人 AI 助手，能够自行编写工具与子代理，并通过自我反思探索和扩展知识库，同时注重确定性、安全性和可观测性，现征求社区对其设计的反馈。
Emochi 是一款语音日记应用，能将语音笔记转化为反映你情感世界的生成式角色，并提供即时转录功能，帮助用户发现情绪模式。它由一位医生、一位设计师和两位 AI 工程师打造，基于情感科学，提供私密的、非临床的自我反思体验。
MemAdapter提出一个反事实适应框架，通过反事实推理、上下文感知反思和证据驱动推理三个组件，缓解LLM智能体长期记忆引发的谄媚问题，在多个基准上提升记忆可靠性。
NVIDIA 研究人员发现，让 AI Agent 先起草多个命令选项，再由一个强模型作为裁判在执行前选出最优方案，可以在完全不重新训练的情况下，将终端 Agent 的成功率从 50% 提升到 68%。
Doom or Bloom 是一款通过回答简单问题，帮助用户探索和绘制个人AI世界观的小工具。
ViCo是一个训练框架，使用迭代自我反思来改进AI生成的图表复制，在学术基准上实现了接近专有LLM的性能。
MASkills 提出了一个持续学习框架，通过智能体技能优化多智能体LLM系统，使用基于技能的信用分配和层次聚合来提升在 HotpotQA 和 GAIA 等任务上的性能。
一项针对冲突预测中LLM自我反思的受控消融研究发现，类型化动作路由驱动性能提升，而诊断支架和分类词汇没有带来可衡量的价值，并在GPT-4o上进行了复现。
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。
LA-RL 提出了一种标签感知的自我反思框架，用于信息抽取中的强化学习，在命名实体识别、关系抽取和事件抽取任务上取得了持续改进，在分布外基准上 F1 提升高达 20。
构建无监督链上代币交易自主AI代理的经验教训，强调执行可靠性比模型聪明更重要，自我反思优于更大的上下文窗口，以及硬性护栏至关重要。
对仅依赖系统提示的简单AI代理架构的批评，认为概率性LLM需要自反思层和确定性门控以确保可靠的生产行为。作者介绍了Langoedge作为构建可信代理的解决方案。
一位用户分享了使用Fable的惊人体验，这款AI工具分析了他的全部工作经历并提供了深刻的个人见解，甚至超越了心理治疗的效果。
BaRA是一个框架，用于站点级网络数据采集，结合了有界BFS遍历和基于历史的自反思，在链接发现和可下载提取方面优于现有方法。
这篇文章讨论了已确认的研究发现：基于验证器的测试时计算扩展主导无验证器方法，并以Apodex等实际例子展示了分离验证过程带来的收益。它认为构建独立验证器是未来AI能力提升的关键路径。
解释了自反思ReAct循环在长时任务中失败的原因，并介绍了作为解决方案的AgentOS验证架构。
MetaResearcher 提出了一种框架，用于在对抗性虚拟环境中通过自我反思强化学习训练深度研究智能体，解决了静态环境和仅事实检索任务的局限性。