当AI开始像人一样“反思错题”，小模型也能逆袭大十倍的对手。本文拆解一篇16页实战论文：用“反思-重试-奖励”三步法，让15亿参数的模型在函数调用和数学题上碾压720亿参数的“学霸”。作者亲授3个可复制的训练技巧，教你把AI从一次性答题机器变成会自我纠错的“错题本”，效率直接拉满。

今天想跟大家分享一篇有意思的AI论文，标题有点长，叫《反思，重试，奖励：通过强化学习实现自我改进的大语言模型》。

说内容前，我先说说自己是怎么发现这篇论文的。熟悉AI的同学大多知道一个网站叫HuggingFace，这个平台不仅有各种大模型的训练场和技术讨论区，还开设了一个“每日论文”栏目。由于AI领域如今太过火热，每天都有大量新论文发布，这个栏目就像是一个论文版的“知乎热榜”——作者提交论文，读者点赞排名。

今天要介绍的这篇论文，是这个栏目6月排行榜的第三位。论文作者并不是一个典型的高校研究学者，而是一家名叫Writer的人工智能创业公司的研究团队，联合作者一共有八个人。

也许正因为是创业企业的研究团队，所以没有那么在乎学术层面的论文惯例，整个论文加上引用也只有16页，读起来也没有故作高深，非常简单明了。

013个步骤，教会AI从错误中学习

这篇论文——《反思、重试、奖励：通过强化学习实现自我改进的大语言模型》——光是题目，你就能知道这项研究的核心结论是什么。

对我们人类来说，“从错误中学习”是非常重要并且有效的学习方式之一。不信你去网上搜搜看，文具有一个专门的品类就叫“错题本”。我们在求学时，当一道题没做对的时候，好的老师肯定不会直接说答案，而是会引导我们反思：“你觉得问题出在什么地方？下次可以怎么改进？”

而这篇论文的核心研究，就提出了一种巧妙的方法，能让AI像人一样，从错误中不断成长。

研究团队发现，即便是再强大的模型，也存在自己的“盲区”——它在某一个任务上表现得非常好，但并不代表它就一定能顺利搞定类似的另一个任务。

面对这个问题，传统的解决办法是收集更多数据，对模型进行重新训练或微调。

但这样的做法往往存在几个现实难题：一是很多时候你并没有更高质量的新数据可用；二是即便训练了，也常常出现“打地鼠”式的问题——那就是优化了一个点，另一个原本表现不错的地方反而出了问题。

后来，研究团队就换了一个思路：与其一遍遍喂AI数据、调优模型，不如教会它怎么反思。只要让AI掌握“怎么从错误中总结经验、改进自己”的方法，它在面对不同任务时，就能逐步自行进化。用通俗的话说，就是不再一味“灌知识”，而是教它“怎么学”。

这个方法一共包含三个步骤，就像论文标题里写的那样：反思、重试和奖励。

第一步，反思。当模型在某个任务上第一次失败时，系统不会直接结束，而是让它先生成一段自我反思的内容，分析自己到底哪里出了问题。就像学生考试答错题后，会问自己：“我哪一步想错了？是不是公式用错了？”这一环节的核心目的，是让AI开始自我觉察，并意识到错误的原因。

第二步，重试。这时候，AI模型会带着刚才的反思内容，再去尝试完成同一个任务。就像学生在弄明白上次哪里出错后，再去解同一类题目，就更容易成功。

第三步，奖励。如果模型在第二次尝试中成功完成了任务，系统就会对它在“反思阶段”所生成的内容进行奖励。这里的“奖励”并不是我们理解中的发红包，而是一种强化学习技术。简单来说，就是通过调整模型参数，让它更偏向于那些曾经带来正面结果的反思方式。

你可以把这个过程想象成一个老师在表扬学生：当学生通过反思改正了错误，终于做对了一道难题，老师会说：“你的反思很有帮助，继续保持下去，你的数学会越来越好。”注意，老师夸奖的不是解题方法本身，而是“反思”这一学习策略。所以学生就会知道，反思是有效果的，遇到问题的时候，就应该用这种方式来解决。

所以，这个机制的创新点在于：研究人员奖励的并不是模型最后给出的正确答案，而是它中间生成的“反思过程”。

这样的训练方式，让模型不再依赖死记硬背某个问题的答案，而是逐渐学会了一种通用的、自我纠错和自我提升的能力。

02AI学会反思，效果如何？

研究团队不是光讲概念，他们还做了两个实验，来实际验证这个机制的有效性。

这两个实验对于AI来说都不算简单，一个是函数调用，一个是数学方程求解，都属于具有挑战性、但又能够清晰判断对错的任务类型。

先说函数调用。传统技术开发需要对接各种API接口，要填入各种参数。这个任务就是看AI能不能正确地调用，这不同于那种没有标准答案的写作任务，调用API，成功与否，判断标准非常明确。

实验团队在多种规模大小的模型上都做了实验，测试了这种机制，例如从15亿参数的小模型到72亿参数的模型不等。效果令人惊叹。

一个只有15亿参数的阿里千问小模型，在这个任务上，一次就答对的概率只有大约32.6%。

但是经过今天介绍的这个反思训练后，第一次尝试的准确率就跃升到了48.6%，提升了16个百分点。如果允许它利用自己的反思再尝试一次，第二次的成功率就达到了52.9%，这相比原始能力提高了20多个百分点。

再说第二个任务——数学方程求解，它比函数调用更困难得多。

实验中，15亿参数的模型在第一次尝试时，正确率只有6%，几乎等于纯靠蒙的水平，就好比初中数学100分满分只考了个6分。

但当模型引入“反思机制”训练后，第一次尝试的正确率跃升到了34.9%，已经是一个质的飞跃。如果再让它根据第一次的反思重试一遍，第二次的成功率更是提升到45%。

正确率从最初的6%到最后的45%，这个跨度就像从不及格一路提升到接近及格线。

还有一个更惊人的发现是，经过这种学习方法训练的小模型，在能力上超过了参数量比自己大十倍的更高级模型。

研究团队同样使用了千问的70亿参数模型进行训练，结果发现，在这两个任务上，学会“反思”的70亿模型，表现都超过了不会反思的720亿模型。要知道，这两个模型都属于阿里千问系列。

这就像一个经过良好学习方法训练的高中生，在某些难题上，反而能打败知识储备多出十倍、但缺乏方法的博士生。

这个发现的现实意义在于，对于某些任务来说，并不一定非得依赖超大规模模型，如果能优化训练方式，小模型不仅节省成本，也能具备很强的能力。

03我训练AI干活的方法

我之所以要介绍这篇论文，是因为它的核心结论，对我们普通人是有借鉴价值的。

我观察到身边有一些同事在使用AI工具时，往往只进行一轮对话：给AI发一个任务，等它完成后就结束了。有时即便AI明显给出了错误答案，回应也只是简单一句“错了，再试一次”。

但按照这篇论文的启发，我们其实可以稍微调整一下话术，比如说：“你的答案可能有问题，请分析一下哪里出错了，然后再重新回答一遍。”

其次，在一些具体场景下，我们可以给AI提供更明确的反思方向。

比如在做商业决策分析时，读完AI的第一轮回答后，你可以补充说：“你的分析似乎忽略了市场风险因素，请重新考虑并补充完整。”当然，这种方式前提是你自己能敏锐地识别出回答中的问题。

类似的反思提示词还有很多，例如：

“请检查一下你的推理过程，找出可能的逻辑漏洞。”

“分析一下你刚才的回答哪些地方可能不够准确。”

“如果让你重新回答这个问题，你会怎么改进？”

“你觉得你的答案已经完全满足问题要求了吗？请详细说明。”

最后，我想分享一个我偶尔会用的小技巧，它和本文介绍的“反思机制”有异曲同工之妙。我给它起了个名字，叫做“PUA大法”。

这个方法尤其适用于那些重要且复杂的任务，比如撰写竞品分析报告或者调研文档。我的做法是，先准备好三到四个表现稳定的大模型，比如从ChatGPT、Claude、DeepSeek、豆包、Kimi中挑选几个。

我个人的习惯是：先把任务描述清楚，然后分别让豆包、Kimi和DeepSeek先各自完成一次回答。

接下来，我会打开ChatGPT，对它说：“我正在完成一个任务，任务内容是……我已经请三个AI助手分别作答。现在你是评审官，请你根据任务的特点，制定一套100分制的评卷规则，然后分别对这三个助手的答案打分，并详细说明你的评分理由。”

接下来，我就会把其他几个AI的回答一个个发给ChatGPT。这时它会先搭建一套评分标准，再对其他AI的回答进行打分和点评，比如给出85分、87分之类的分数，并详细解释打分理由。

然后，我就会开始“PUA”它，对它说：“你既然这么懂，那你自己来答一遍这个问题看看？”

它会乖乖照做，答完后，我继续追问：“那你就按你刚才的评分规则，对你自己的回答也打个分，并说明理由。”

它通常会开始进行所谓的“公正打分”和自我评价——但你会发现，它几乎每次都比给其他AI打的分数高，一般会打个90到95分之间。哪怕这样，我也不会放过它，还要继续追问：“那你这剩下的几分是扣在哪里了？好好想想，再改一遍。”

当然，它最后输出的结果是不是满分作品，其实并不重要。但在这个过程中，往往会冒出很多新思路和新角度，对我们人类来说是很有启发的。

这个方法其实很简单，说到底，可能还是被我初中数学老师“深刻启发”过。当年他那种高压反思式教学，让我一度对数学敬而远之。

不过还好，现在的AI没有情绪，不会反抗，我们可以尽情用“PUA语气”去激发它的智力潜力。