从异议到修订：基于非对称提示协议的 FOR-Prompting

链式思考 (CoT) 和树状思考 (ToT) 等推理协议组织内部 deliberation，但缺乏针对外部提问的显式机制，以实现自我修订。我们提出 FOR-Prompting (From Objection to Revision Prompting)，一种非对称协议，其中 Defendant 提出答案，Debater (提问者) 提出无直接修复的质疑式异议，Host 可选地综合最终输出。对于 GSM8K，FOR-Prompting 在相同模型 backbone 的评估下匹配 CoT 的准确率，并在单次提示下持续获益。对于小规模开源模型 (如 LLaMA-3.2-1B)，FOR-Prompting 相对于直接提示实现了显著提升，并在轻量推理基准中与之相当，这凸显了其在低资源和本地设备设置中的潜力。跨模型角色互换进一步显示，性能主要由 Defendant 决定，使小型模型能够有效充当提问者。除了结构化数学任务之外，FOR-Prompting 支持开放式和多阶段任务的 refinement：定性分析显示其在探索、覆盖和特异性方面均有改进，盲测人类偏好研究发现，参与者在行程规划情境下更倾向于 FOR-Prompting 输出，优于强大的 LLM 基准。该协议具有模型中性，完全通过角色结构化提示实现，不需要训练、访问模型内部或对称强大的智能体。FOR-Prompting 因此能够实现可扩展的异议驱动推理研究，并为托管和本地 LLM 提供实用的自动迭代细化机制。