错误反射提示：大型语言模型能否成功理解错误？
计算与语言
2025-08-26 v1
摘要
语言模型的提示方法，如链式思维（Chain-of-thought, CoT），提供了直观的分步骤问题解决流程。这些方法旨在使模型更好地理解针对特定任务的正确操作程序。尽管取得了这些进展，但CoT缺乏反思和纠错能力，可能导致模型持续传递错误和误差。因此，灵感来自人类处理此类任务的能力，我们提出了错误反射提示（Error Reflection Prompting, ERP）以进一步增强语言模型的推理能力。基于CoT，ERP包含错误答案、错误识别和正确答案。这一过程使模型能够识别错误类型以及导致不正确答案的步骤，使模型能够更好地区分应避免和应采取的步骤。模型能够通过自动化的ERP生成自行生成错误概述，从而将错误识别和纠正集成到推理链中，并在过程中实现可扩展性和可靠性。结果表明，ERP是常规CoT的多功能补充，最终促进了更稳健和更具能力的推理能力，以及模型最终如何产生错误的可解释性增加。
引用
@article{arxiv.2508.16729,
title = {Error Reflection Prompting: Can Large Language Models Successfully Understand Errors?},
author = {Jason Li and Lauren Yraola and Kevin Zhu and Sean O'Brien},
journal= {arXiv preprint arXiv:2508.16729},
year = {2025}
}
备注
Accepted to Insights @ NAACL 2025