本文是大模型相关领域的系列文章，针对《Automatically Correcting Large Language Models: Surveying the landscape of diverse self-correction strategies》的翻译。

摘要

大型语言模型（LLM）在一系列NLP任务中表现出了卓越的性能。然而，它们的功效被不受欢迎和不一致的行为所破坏，包括幻觉、不忠实的推理和有毒内容。纠正这些缺陷的一种很有前途的方法是自我纠正，即LLM本身被提示或引导解决其输出中的问题。利用由LLM本身或某些外部系统产生的自动反馈的技术特别令人感兴趣，因为它们是一种很有前途的方法，可以使基于LLM的解决方案更加实用和可部署，只需最少的人工反馈。本文对这类新兴技术进行了全面的综述。我们利用这些策略对最近的一系列工作进行了分析和分类，包括训练时间、生成时间和事后纠正。我们还总结了这一战略的主要应用，最后讨论了未来的方向和挑战。

1 引言

2 自动反馈校正LLM的分类

2.1

2.2

2.3

2.4

2.5

2.6

2.7

3 训练时间校正

4 生成时间校正

5 事后校正

6 应用

7 研究差距与未来方向

8 结论

在本文中，我们对具有自动反馈的自校正大型语言模型进行了全面的综述。我们对各种自我纠正策略进行了广泛的分类和分析，包括训练时间、生成时间和事后纠正。我们还讨论了自我纠正的主要应用领域，包括纠正事实错误、增强推理能力和改进代码生成等。最后，我们概述了该领域的一些潜在未来方向和相关挑战。我们撰写这篇论文的目的是为对这个快速发展的领域感兴趣的读者提供一个全面而有用的资源。为了帮助这项工作，我们在GitHub存储库中创建了一个不断更新的阅读列表：https://github.com/teacherpeterpan/self-correction-llm-papers.