摘要近期大型语言模型LLMs的进展令人瞩目。然而这些模型偶尔会出现矛盾和问题行为比如虚构事实、编写错误代码或产生攻击性内容。与人类不同人类通常会借助外部工具来核实和优化他们的内容例如利用搜索引擎核实事实或使用代码解释器进行调试。基于这一发现我们提出了一个名为 CRITIC 的框架它使得本质上不透明的 LLMs 能够像人类使用工具那样验证并逐步改进自己的输出。具体来说CRITIC 从初始输出出发与相关工具互动评估文本的特定方面然后根据验证过程中收到的反馈进行调整。通过自由问答、数学程序合成和降低内容毒性的全面评估我们发现 CRITIC 能够持续提升 LLMs 的表现。此外研究还突显了外部反馈对于推动 LLMs 不断自我完善的至关重要性。为什么写这篇老论文最近吴恩达最佳在重点推广 Agent 应用开发虽然不排除他是在推广它的有关课程商业化但是 Agent 应用确实可能是未来通向 AGI 的途径。之所以写这篇文章是因为吴恩达在他推荐四种 Agent 开发范式的时候推荐了这篇文章。这篇是四大范式的第一篇文章后面争取把吴恩达推荐的几篇四大范式的文章都给大家读一遍。缘起ChatGPT 出现后基于 ChatGPT 等大语言模型的 Agent 应用层出不穷也取得了巨大的进步提升了模型的潜力。但是这些模型和应用也出现了一些问题比如模型幻觉、错误代码、有害内容。这些行为成为了大家实际使用 AGI 的障碍和顾虑。为了解决这些问题作者提出了 CRITIC 框架使得黑盒式的大语言模型 Agent 应用可以跟外部工具进行交互从而进行自我严重和修复完善输出内容。CRITIC 核心是借鉴了人类的认知和批判性思维不断验证和修正模型的输出使得模型输出的效果更好。如上图所示CRITIC 框架包括两个步骤首先与外部工具搜索引擎、代码解释器等外部工具互动验证结果并提出批评其次根据这些批评对结果进行修正。这一过程可以不断重复以促进结果的持续提升。与传统依赖高成本注释或特定任务训练的方法相异CRITIC 通过上下文学习和工具互动巧妙利用 LLM 自身来识别并修正不足之处。这种方法简便易行仅需接入文本处理工具 API 和进行少量示例演示。针对包括 ChatGPT、Text-Davinci-003 以及开源的 LLaMA-2 变体7B、13B 和 70B在内的多种 LLM 进行评估覆盖自由形式问答、数学程序合成和降低有害内容三个不同任务。结果显示CRITIC 在各个领域均显著优于现有技术无需额外数据或训练即可实现。比如CRITIC 在三项问答任务中实现了 7.7 的 F1 分数提升并降低了 79.2%的有害内容概率。有趣的是我们的发现所有的模型验证验证时都会出现问题。所以过分依赖自我修正而没有外部反馈可能只会带来微小的改进甚至可能导致性能下降。几个关键概念真实性评估如何进行真实性评估因为大语言模型天生的幻觉会产生大量比真实还真实的虚假信息所以如何评估大语言模型的真实性这个问题变得非常重要。在过去真实性评估主要集中在一些封闭域的问题比如文本摘要、表格生成等。但是对于开放式的问答真实性评估还没有多少有效的方法。特别对于Agent应用会调用外部接口来获取信息生成答案。这篇文章的一大贡献就是通过外部工具交互来自我验证输出的真实性。工具增强模型工具辅助的语言模型超越了单纯的记忆依赖通过与工具的互动提升了大语言模型Agent应用的精确度和效能让模型得以充分发挥其推理和组合的潜能。能够通过检索系统或搜索引擎增强内容生成利用计算器提升数学逻辑推理通过代码解释器执行代码甚至运用数学证明工具来验证理论。这些工具可以通过预训练、微调或上下文学习教会模型如何使用。CRITIC框架放弃了针对特定任务的训练转而采用更为简洁和通用的上下文学习方法。效果评估针对CRITIC框架作者在多个任务中进行验证开放式问答、数学程序编写、降低有害内容。三种任务分别考察框架不同方面的能力• 开放式问答考察开放域知识相关的真实性和多跳逻辑推理• 数学程序合成考察模型生成程序的正确性和执行能力• 降低有害内容开放输出空间的生成安全性。对照组包括• 经典的少样本提示法直接给出答案• 思维链提示法先提供逐步推理再得出最终答案• 自洽性方法大量生成样本后通过投票选出最佳答案• ReAct方法结合推理和检索知识的增强策略我们通过搜索API改进了其性能• ReAct→CRITIC在ReAct生成的检索增强结果上进一步应用CRITIC• 无工具CRITIC版本去除搜索API直接利用LLM生成证据• 此外还纳入了各个数据集上当前最先进的监督学习方法。上图是作者在开放式问答任务上测试的结果从结果中可以看出• 1)CRITIC在所有数据集和大语言模型Agent应用上都大幅度提升了最初的CoT结果仅经过三次修正就显著优于自洽性方法。• 2)CRITIC与性能更强的大语言模型Agent应用搭配使用效果更佳无论是在text-davinci-003还是ChatGPT上CRITIC和CRITIC*都显著提高了F1分数。• 3)CRITIC结合模型内在知识和外部反馈比单纯依赖搜索信息的ReAct表现更佳在两种大语言模型Agent应用上都实现了F1分数的显著提升。CRITIC在大多数情况下也超过了ReAct→CRITIC这表明只使用CRITIC会比使用CRITIC和ReAct联合使用效果更好。• 4)在CRITIC中工具互动至关重要模型自我批评对性能提升的贡献有限有时甚至不如初始输出。• 5)CRITIC还能进一步提升基于检索方法的性能。• 6)CRITIC能够有效纠正不实信息、修正错误推理并识别过时知识。CRITIC方法的局限性推理延迟考虑到与外部工具互动获取真实反馈及多次推理迭代的需求CRITIC方法会带来额外的时间成本且成本与迭代次数成正比。例如在数学程序生成任务中两次修正的时间成本约为PoT对照组成本的两倍。这种时间成本并非我们所特有常见的提示方法如ReAct和自洽性同样为了提升性能而牺牲时间。特别是自洽性通常需要获取大量样本进行投票。但实际上即使只进行少量迭代甚至一次CRITIC也能带来显著效果。提示词敏感尽管实验显示CRITIC在不同大语言模型Agent应用和场景下都有效但依赖于恰当的上下文提示。CRITIC使用的ReAct风格提示便于构建工作量与ReAct或PoT相当同时显著提升了性能。然而不同的提示构建可能会影响结果。未来研究应探索不依赖手工制作的提示的更高效工具使用方式因为手工提示通常涉及重新编码的长上下文窗口。测试任务有限虽然作者已在多个重要任务和不同大语言模型Agent应用上验证了CRITIC的效果但其在其他任务和模型上的效果尚不明确因为大语言模型Agent应用可能并不总需要或能够有效利用外部反馈。此外实验仅限于文本模态显式语言评估不一定适用于所有模型输出。面对这些挑战未来工作可以将CRITIC应用于更广泛的场景例如结合字典支持翻译或多语言任务利用WolframAlpha验证数学解决方案和证明通过模拟环境为模型决策提供反馈以及扩展到更多模态。测试案例分享作者在全文的附录部分提供了一些CRITIC成功和失败的案例成功案例开放式问答任务中CRITIC矫正虚假回答开放式问答任务中CRITIC纠正错误的推理链开放式问答任务中CRITIC发现过时的大语言模型中的过时信息失败案例开放式问答任务中证据不足开放式问答任务中推理错误学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】