“最强具身VLA大模型”π*0.6通过Recap学习方法，使机器人从错误中学习，任务成功率超过90%。该模型结合人类示范与自主经验，优化复杂任务表现，展现出高效自我纠正能力，为机器人研究提供新思路。

本研究提出了一种新颖的数据标注方法，解决了现有过程奖励模型在长链推理中仅关注初始错误的问题。通过引入错误传播和终止概念，显著提升了模型在自我纠正和推理方面的性能，实验结果优于现有模型。

本研究提出CEC-Zero框架，通过强化学习使大型语言模型在中文文本处理上自我纠正，无需外部监督。实验结果表明，该框架在精确度和泛化能力上优于传统模型，为中文自然语言处理提供了有效解决方案。

本研究提出了“凤凰”框架，旨在提升机器人在失败后的自我纠正能力。该框架结合高级语义反省与低级动作纠正，采用双进程调整机制，实现精准的细粒度动作纠正。实验结果表明，该框架在多种操作任务中展现出优越的泛化能力和鲁棒性。

本研究评估了两种生成性人工智能系统（GPT-4o 和 Claude 3.5）在建筑3D合成中的表现。尽管两者能够生成模型，但在准确组装部件方面存在困难，Claude 3.5在自我纠正输出上表现更佳。这为AI在建筑设计中的应用提供了新见解。

本研究提出了一种自我纠正对抗训练框架LIMIT，旨在改善中文非自然文本的纠正效果。该方法有效模拟真实应用中的错误，减少传统训练中的偏差，并在多种错误纠正方面超越现有技术。

本研究提出一种新方法，通过论证理论中的关键问题来提升大型语言模型的逻辑和数学推理能力。模型通过自我纠正，在多项推理和数学任务上表现显著提升。

o1满血版推出了每月200美元的Pro模式，但许多人认为1500元的价格不划算。Pro模式在解决复杂问题时表现优异，但大多数用户使用免费或20美元版本即可满足需求。o1在数独和生物医学问题上展现了自我纠正能力，尽管仍有错误。总体而言，Pro模式适合需要频繁使用的少数用户。

本研究探讨了在智能辅导系统中利用大型语言模型自动生成数学问题提示的有效性。研究表明，特定的错误提示能够帮助学生自我纠正，且Llama-3-8B-Instruct的表现优于GPT-4o，强调了模型设置对学习效果的重要性。

该研究针对视觉语言模型中现有奖励模型的不足，特别是仅提供二元反馈的问题。提出的令牌级探测奖励模型（TLDR）通过细粒度文本标注提升模型性能，改善自我纠正生成和幻觉评估，并显著提高人类标注效率。

开源大模型Reflection 70B通过新训练技术实现自我纠正，击败其他模型，在数学基准测试中得分99.2%。Reflection 70B能回答错误问题，官方将发布更大的Reflection 405B。Reflection 70B使用Reflection-Tuning训练方法，能够在推理过程中纠正错误。模型由HyperWriteAI的CEO Mutt Shumer带领的小团队开发。

在弱信任和高多样性的群体中，投票是一种复杂的决策方式。成年人难以改变观点，投票常常反映出意见一致时的愉快氛围，而意见分歧时可能引发反对。尽管投票不一定能产生“正确”结果，但其自我纠正机制优于个人决策。投票的目的在于控制感和责任归属，尽管在小区环境中，业委会并无真正的决策权。合理期待投票的功能，有助于找到更好的群体决策方式。