CorrectNav是一种视觉-语言-动作导航模型，通过自我修正机制提升导航性能。该方法关注感知和动作错误，采用四个步骤进行自我纠正。在VLN-CE基准测试中，CorrectNav的成功率分别为65.1%和69.3%，优于现有模型，具备强大的纠错和动态障碍物规避能力。

翁荔在《Why We Think》中探讨了“测试时计算”和“思维链”如何提升人工智能模型性能。他指出，通过让模型在输出前进行更多思考，可以突破能力瓶颈，并借鉴人类思维过程。文章提出优化计算资源和引入潜变量建模等方法，以增强推理能力，同时讨论了并行采样与顺序修订的结合使用，以提高模型的准确性和自我修正能力。

本研究探讨大型语言模型（LLMs）在形式化复杂数学定义中的局限性，并提出两个新资源以支持自动形式化。研究表明，数学定义的形式化难度较大，但通过外部反馈和引导策略，LLMs的自我修正能力显著提高，为其实际应用提供了新方向。

本书探讨人类如何通过信息建立合作网络，但常因误信谎言而做出不明智的决策。智人的成功在于灵活合作与虚构故事的讲述，虚构故事在维持秩序方面优于真相。科学的自我修正机制是其进步的关键，而民主制度需保护这一能力，以防止极权集中控制。

本研究探讨了大型语言模型（LLM）在缺乏标签反馈时的自我修正机制，发现其输出不稳定且存在认知偏差。提出了两种策略以改善模型表现。

本文提出了一种模型手术（MOS）方法，旨在解决类增量学习中的信息遗忘问题。通过训练特定适配器和自我修正机制，MOS有效减轻了模型的遗忘现象，并在七个基准数据集上取得了优异的实验结果。

本研究提出了一种事实级校准框架，以提高大型语言模型在复杂问题回答中的输出准确性，并开发了信心引导的自我修正方法，实验证明该方法能有效减少模型幻觉。

本研究提出MCQG-SRefine框架，通过专家提示和自我修正，提升大型语言模型生成专业领域多选题的质量和难度，并用LLM自动评估替代人工评估。

我们提出了一种名为CLEAR的元认知方法，模仿人类认知，使大型语言模型能够自我识别和修正错误。通过稀疏子网络，模型在部署后能自动识别和修正错误，提升了可解释性和可信度。