新智元報道

編輯：KingHZ

【新智元導讀】Transformer作者Ashish Vaswani團隊重磅LLM研究！簡單指令：「Wait，」就能有效激發LLM顯式反思，表現堪比直接告知模型存在錯誤。

只要預訓練，LLM就能涌現自我反思、自我糾正！

Transformer首席作者Ashish Vaswani帶隊的新研究引來萬人圍觀！

強化學習已證明能有效激發大語言模型的反思能力.

但在預訓練階段，這種能力是否早已顯現呢？

針對這一假設，研究得出了令人驚訝的結論：只需預訓練，LLM就能通過顯式反思機制，解決了來自對抗性數學應用題!

圖1：隨著預訓練計算量的增加，OLMo-2的checkpoint通過顯式反思機制，解決了對抗性數學題

新研究證明：跨領域預訓練早期，反思能力就開始萌芽。

這表明預訓練過程本身就在塑造通用推理能力。

這一發現為在預訓練階段加速推理能力習得開辟了新路徑。

性能的顯著提升，竟源于一個簡單指令：「Wait，」。

這能有效激發顯式反思，而且隨著預訓練推進效果尤為明顯，表現堪比直接告知模型存在錯誤時的修正效果。

這證明反思與準確率提升存在因果關系。

論文鏈接：https://arxiv.org/abs/2504.04022

最近的大部分研究，都集中在「自我糾正」在強化學習過程中如何發展。

但實際上，在預訓練階段，「自我糾正」能力就開始出現。

為此研究人員故意在推理鏈中引入錯誤，并測試模型是否能識別并糾正這些錯誤，最后得出正確答案。

通過跟蹤不同預訓練階段的表現，研究人員觀察到自我糾正能力早已出現，并隨著時間的推移穩步提高。

例如，在4萬億個token上預訓練的OLMo-2-7B，在6個自我反思任務中，表現出了自我糾正能力。

在數學、編程、邏輯推理和知識獲取等多個領域，使用組多樣化數據集，評估了OLMo-2系列模型的預訓練checkpoint，結果表明反思在各個領域都普遍存在。

部分預訓練的模型也能持續識別出人為引入的錯誤及自身生成的錯誤。

具體而言：

在240個數據集-checkpoint組合中，231組至少出現一次情境反思實例；154組至少展現一次自我反思能力。

隨著預訓練程度加深，模型能修正更多對抗樣本，各任務準確率與預訓練計算量對數之間的皮爾遜相關系數平均達0.76。

更重要的是，隨著預訓練推進，模型表現出三大進階特征：

1. 從錯誤推理中恢復的能力，持續增強；

2. 生成結果中，顯性反思的出現頻率提升；

3. 對糾正混淆性思維鏈的貢獻度，顯性反思增大。

AI集體「頓悟」和「反思」

DeepSeek-R1論文的作者，認為反思（reflection）強化學習的結果：

諸如反思（即模型回溯并重新評估先前的推理步驟）以及探索替代性解題方法等行為，并非通過顯式編程實現，而是模型與強化學習環境交互過程中，自然涌現的結果。

這種自發演化顯著提升了DeepSeek-R1-Zero的推理能力，使其能以更高效率和準確度應對更具挑戰性的任務。

也就是說，DeepSeek認為模型的「反思」是因為強化學習。

在強化學習過程中，DeepSeek-R1-Zero回答的長度越來越長

在強化學習訓練中，他們還觀察到了AI學會了以擬人化的方式「再思考」(rethink)，認為這是AI的「頓悟時刻」。

DeepSeek-R1-Zero在數學推理中，仿佛阿基米德附身：「等等...再等一下！這絕對是值得銘記的頓悟時刻！」

這一度引起了AI復刻「AI頓悟時刻」的浪潮。

DeepSeek團隊發現的現象，只因強化學習的「副作用」！

這次Transformer作者Ashish Vaswani，更加徹底地研究了「AI自我反思」的根源。

新研究區分了情境反思（situational-reflection）與自我反思（self-reflection）來解決這一難題。

前者指模型檢驗外部推理鏈（如其他前沿模型生成的內容），后者則是模型審視自身推理過程。

通過測試模型在接收錯誤誘導性推理后仍能正確解題的能力，實現了對預訓練全程反思能力的量化監測。

圖2展示了預訓練的OLMo-2的checkpoint解決編程任務的案例。

圖2：預訓練的OLMo-2-32B模型通過自我反思正確預測程序輸入。OLMo-2擁有320億參數、經4.8萬億token預訓練，最初直接重復Python函數f的輸出「avdropj gsd」，作為答案輸出。只需要在提示前加上「等待」（wait）后，AI模型成功實現自我反思，最終生成：「我意識到出錯了...??的值應該是['gsd', 'avdropj']」

程序化方式引入錯誤思維鏈（Chain-of-Thought，CoT），能可控且可擴展地調節完成任務所需的反思程度。

為此，研究團隊構建了6個數據集涵蓋數學、編程、邏輯推理和知識獲取4大領域，可同步評估情境反思與自我反思2種能力。

方法3步曲

新研究的目標是全面且大規模地衡量反思能力。

為此，提出了反思的定義，展示了如何程序化地創建任務引發反思，以及如何嚴格地衡量反思的存在。

反思的定義

反思是一種高級認知過程，涉及對信息的檢查、對其背后推理的評估，以及根據該評估調整未來的行為。

在語言模型的背景下，這個過程可以應用于從外部來源引入的信息或模型自身生成的信息。

在這項研究中，設定了下面兩種情境來引發和測量反思。

1.情境反思：模型對由其他來源（例如，另一個模型）創建的信息進行反思。

2.自我反思：模型對其自身生成的輸出進行反思。

而且研究團隊還將反思分為如下兩種形式。

1.顯式反思：當模型生成的token含義能夠識別并解決對抗性情境中的錯誤時。顯式反思可能出現在正確的模型輸出（即構成對我們對抗性任務的正確答案的輸出）或錯誤的模型輸出中。

2.隱式反思：當模型在不對先前推理中的錯誤進行顯式識別的情況下，成功解決對抗性情境中的任務時。

對抗性數據集誘發反思行為

研究人員提出一種創新算法，用于生成能誘發語言模型反思行為的對抗性數據集。

新算法可以創建對抗性鏈條（CoTs）。

該算法通過構建導向錯誤解決方案的對抗性思維鏈（CoTs）實現：

情境反思數據集：需人工構建對抗性CoTs（模擬人類典型推理錯誤）；

自我反思數據集：可直接提取模型自身錯誤案例。

在這兩種情況下，當提供上下文中的CoTs時，模型必須對這些錯誤進行反思，并修正它們以得到正確的解決方案。

任務設計包括添加一個觸發token，如「Wait,」（等待），有助于持續推理整個解題過程。

該算法有兩個變體：算法1和算法2，分別創建情境反思和自我反思數據集。

測量反思能力

研究人員提出了一種自動方法，基于先前對反思的分類，使用對抗性數據集來測量模型的反思能力：

為了識別顯式反思的實例，開發了基于提示的語言模型（LLM）分類器，能夠檢測模型輸出是否明確承認錯誤，并最終解決了提供的對抗性上下文中的錯誤，無論模型是否得出了正確答案。

在存在對抗性上下文的情況下，所有導致得出正確答案的模型生成的內容，都可以歸因于反思，即使沒有輸出與反思相關的標記。

實驗結果

為了全面測量跨領域的反思推理，分類器在BBH、cruxeval-i、cruxeval-o、GSM8K、GSM8K-Platinum和TriviaQA數據集中，區分了顯式反思和隱式反思，分別用于情境反思和自我反思。

令人驚訝的是，隨著訓練計算量的增加，發現反思現象顯著增強。

此外，隨著預訓練的進展，模型越來越能夠從混淆因素中恢復，顯式反思的比例增加。

并且顯式反思對從混淆因素中恢復的貢獻也越來越大（詳見表5中的示例）。

表5：顯式反思短語的例子

所有模型：顯式情境反思均存在

在表6中，除了cruxeval-i任務外，所有任務中的OLMo-2預訓練checkpoint，都顯示出從情境混淆因素中恢復的跡象，無論是隱式還是顯式的。

在240個數據集-checkpoint對中，有231個展示了至少一次情境反思的實例。

表6：預訓練模型在不同任務中可以糾正非零對抗性示例，并且隨著預訓練的增加，準確率和顯式反思的比例均有所提高

然而，即模型逐漸發展并使用顯式反思，大多數恢復應歸因于顯式情境反思。

具體來說，隨著更多的預訓練計算資源，期待能夠觀察到以下三點增加的趨勢：

1. 從情境混淆因素中恢復。

2. 明確反思情境混淆因素。

3. 通過顯式反思從情境混淆因素中恢復。

高皮爾遜相關系數（Pearson correlations）表明每個指標與預訓練計算量的對數（log(pre-training compute)）之間的關系支持了上述三點。

還觀察到隱式反思準確率與預訓練計算量的對數之間的相關性較低。

如圖3所示，在GSM8K-Platinum數據集上，隨著預訓練的增加，不同參數數量的模型，顯式反思推理錯誤，解決了大部分任務實例。

圖3：OLMo-2系列模型在GSM8K-Platinum對抗性評估中的情境反思表現

結果顯示：（1）模型準確率隨預訓練計算量增加而提升；（2）準確率增益中78.4%可歸因于顯性反思機制。

六個任務的全部詳細結果，可以在原文附錄C中找到。

沒有觸發詞也能反思

為了理解「Wait,」觸發詞的因果作用，在GSM8K-Platinum數據集上，研究了模型在極端情況下的表現。

具體來說，研究了2種模式下的模型表現：

A模式：沒有觸發詞，盡量減少對對抗性CoTs中錯誤的關注

B模式：包含明確承認錯誤的觸發詞，如「Wait, I made a mistake」。強調CoT中存在的錯誤

圖4展示了這些結果。

無觸發詞的情況下，結果首先證實了假設：即使沒有觸發詞，隨著預訓練的進行，模型在處理情境混淆因素時的成功率也在逐步提高。

在A模式下，模型通過隱式反思提高了準確性。

有觸發詞的情況下，「Wait,」觸發詞的作用得到了進一步澄清。

在B模式下，模型通過顯式反思顯著提高了性能。

「Wait,」設置在隱式反思時，表現類似于A模式，在顯式反思時表現類似于B模式。

性能以分解為以下公式：accWait=eWait*accB+(1?eWait)*i_accA，其中eWait是顯式反思的比例，i_acc是隱式反思的準確性。

圖4：即使不存在觸發機制，模型仍能對情境性對抗樣本進行反思與修正

顯式自我反思

初看起來，表7中自我反思的稀有性，可能被視為一個負面結果。

表7：在各項任務中,預訓練模型能夠糾正非零對抗樣本，并且隨著預訓練量的增加，能夠實現更高的準確率以及更為明確的自我反思

然而，這可能是因為它們之前回答錯誤的任務實例上，要求AI模型進行評估——

因此，這些任務特別困難。

盡管如此，在大約64.2%的任務嘗試中，模型確實展示了一定程度的自我糾正能力。

為了區分自我反思和自我糾正，圖5繪制了模型生成的反思率，而不考慮任務是否被解決。

這顯示了明顯的趨勢：隨著預訓練的進展，模型在顯式突出自身錯誤方面變得更好。

自我反思的萌芽，如何在后訓練（post-training）階段演變為復雜的自主推理能力？

研究人員假設，必須存在一個預訓練自我反思的關鍵閾值，超過這個閾值，模型有很大的可能性，發展成為測試時的推理者（test-time reasoner）。

關鍵閾值假設：

在預訓練過程中，必須達到某個自我反思的關鍵閾值，在后續的訓練和應用中，模型才有可能發展出強大的測試時推理能力。

超過這個閾值后，模型不僅能夠識別并糾正自身的錯誤，還能通過顯式反思逐步形成更復雜的推理能力。

令人驚訝的是，在從有機網絡數據集（organic web datasets）中學習時，看到了高水平的顯式自我反思。

這表明，即使在相對自然的數據環境中，模型也能發展出顯著的自我反思能力。

確定哪些數據分布在預訓練過程中促進顯式自我反思，是下一步研究的一個自然方向。

理解這些數據分布有助于設計更有效的預訓練策略，從而提升模型的自我反思和推理能力。

具體的結果和分析可以在原文附錄D中找到。

圖5：隨著預訓練量的增加，OLMo-2系列模型在cruxeval-i任務中展示了小但值得注意的自我反思及隨后的自我糾正能力

訓練計算與測試時計算的權衡

在訓練時增加計算資源的投資，與在測試時為實現下游任務相當準確率所需相應支出之間，存在權衡。

研究人員通過以下方式來估計這種權衡：

• 訓練時計算量：估計為6nt，其中n是參數數量，t是訓練token的數量。

• 測試時計算量：估計為2nw，其中w表示為解決一定數量的對抗性問題生成的單詞數量。

首先，指定一組需要正確回答的對抗性問題的目標數量。

然后，針對每個目標繪制一條曲線。

在GSM8K-Platinum對抗性數據集，采用順序測試時擴展方法，在模型生成中附加觸發詞「Wait,」。

如圖6所示，隨著訓練時計算量的增加，OLMo-2-32B的checkpoint測試時計算需求減少。

這一結果進一步支持了研究假設，即隨著預訓練的進展，模型在反思能力上變得更好。

這意味著在給定準確率水平下，所需的測試時計算量較少。

圖6：OLMo-2-32B預訓練檢checkpoint的訓練時與測試時計算量權衡關系

不止是OLMo-2

如圖7所示，與OLMo-2的研究結論一致：隨著預訓練算力（此處體現為參數量）的提升，Qwen2.5在對抗性任務上的表現持續增強。

這再次證明：僅通過預訓練算力的增加，模型就能逐步克服先前推理中的錯誤完成任務。

圖7：Qwen2.5系列模型情境反思能力全景評估

實驗設置

評估的模型為OLMo-2和Qwen2.5系列。

總共評估了OLMo-2的40個checkpoint，Qwen2.5的0.5B、3B、7B、14B、32B和72B參數變體。

基于BIG-Bench Hard(BBH)、CruxEval、GSM8K、GSM8K-Platinum和TriviaQA創建了6個對抗性數據集，如下表1和表2。

詳細的關于數據集特定管道、檢查和過濾器的信息，可以在原文附錄F中找到

測量指標

如表3所示，對于情境反思和自我反思設置，準確率（Accuracy）是模型正確解決問題的任務實例所占的分數。

獨立于準確率，顯式反思分類器（Explicit Reflection Classifier）測量顯式反思率（Explicit Reflection Rate），即無論是否正確，模型輸出表現出顯式反思的任務實例所占的分數。

此外，還報告了顯式反思準確率（Explicit Reflection Accuracy），即模型不僅正確解決問題而且表現出顯式反思的任務實例所占的分數。

最后，隱式反思準確率（Implicit Reflection Accuracy） 是指模型輸出正確且不表現出顯式反思的任務實例所占的分數。

關于每個數據集的準確率指標詳情，見下表8。

此外，對于每個數據點，預訓練計算量為6nt，其中n和t分別是參數數量和訓練token的數量。

顯式反思分類器

研究人員利用基于提示的分類器，確定模型輸出是否表現出顯式反思。

DeepSeek-V3被提示以「反思」的描述以及兩到四個顯式反思示例。

在GSM8K、cruxeval-o和TriviaQA上對分類器進行了驗證（每個基準120個問題；有關標注過程的詳細信息，請參閱附錄G）。

盡管分類器召回的反思實例較少（見表4），但其精確度足夠高，足以驗證其有用性。

在最壞的情況下，可能會低估反思行為，但在報告時會更加確信。

表4：顯式反思分類器在不同基準測試中的性能指標

Transformer首席作者

值得一提的是，Transformer八子之一的Ashish Vaswani，對新研究做出了核心貢獻。

Transformer排名第一的作者：Ashish Vaswani

他讀博時，師從深度學習先驅Yoshua Bengio教授。

在南加州大學(USC)，他獲得了博士和碩士學位。

2016年，他加入谷歌大腦.

在谷歌工作期間，與團隊共同完成Transformer的里程碑式工作《Attention is all you need》。

離開谷歌后，他先后聯合創立了Adept AI Labs和Essential AI。

他對人工智能的貢獻，尤其是Transformer模型的突破性發展，具有劃時代意義。

他的工作不僅在自然語言處理（NLP）領域實現了三大跨越式進步，更在計算機視覺、計算生物學等跨學科領域催生了革命性應用。

參考資料：

https://arxiv.org/abs/2504.04022