Самокоррекция Bench: выявление и устранение слепого пятна самокоррекции в LLM

Обнаружено: LLM виртуозно находит ошибки в чужом тексте, но систематически пропускает те же ошибки в собственных ответах — модель генерирует утверждение и затем его «защищает», даже если оно неверно. Метод Self-Correction Bench позволяет принудительно активировать скрытую способность модели к самокритике — просто вставив нужное слово в нужный момент. Добавление триггера типа «Подожди» (Wait) после ошибочного ответа заставляет модель «очнуться» и исправить ошибку с вероятностью почти 90% — вместо того чтобы продолжать развивать неверную мысль. Секрет в том, что маркеры коррекции прерывают инерционный поток генерации и переключают модель из режима «продолжения» в режим «критической оценки».