Self-Refine：通过针对性地反馈 (Feedback) 调整循环来引导 AI 输出更好的答案。

Self-Refine：通过针对性地反馈(Feedback)调整循环来引导AI输出更好的答案。上周吴恩达教授在TheBatch中聊到了智能体(AIAgent)工作流设计模式中的反思模式(https://m.okjike.com/originalPosts/6607dc65a922aa28d05cbbc7?s=ewoidSI6ICI2NGI3NDBlNWI4Yzc1YTFiYjhkNDA0YjciCn0=)，并推荐了三篇论文：-Self-Refine(https://arxiv.org/abs/2303.17651)-Reflexion(https://arxiv.org/abs/2303.11366)-CRITIC(https://arxiv.org/abs/2305.11738)读下来对我启发最大的是Self-Refine，也是我认为能够在日常与AI对话中可以直接用得上的。如果你的工作会涉及到智能体(AIAgent)的工作流，Reflexion和CRITIC可以参考一下，对于日常使用AI来说，不读问题也不大。模式都比较好理解，难的是工程上如何针对性地应用。其中，Reflexion的模式是有三个主要的角色加一个记忆模块(Memory)来实现：1.执行者（Actor）：就像一个尝试解决问题的人，它会根据当前的情况提出行动计划，并执行这些计划；2.评估者（Evaluator）：类似于一个老师或评委，它会评估执行者的行动计划是否有效，并给出成绩或反馈；3.反思者（Self-reflection）：当执行者的计划不够好时，反思者会帮助它理解哪里出了问题，并提出如何改进的建议。就像人类在犯错后会思考如何改进一样，这个过程中，Actor会尝试不同的行动，并从结果中学习。每当Actor完成一个步骤时，Evaluator会评估Actor的表现，并记录下哪些做得好，哪些需要改进。这些记录被保存起来放到Memory模块中，以便在未来的尝试中让Actor参考，并在未来做出更好的决策。通过这样的尝试、评估和反思循环来更好地完成指定的任务。整个过程参考图一。CRITIC则更好理解，就是借助外部工具来给AI提供更精确的反馈，然后让AI根据这些反馈来优化输出。过程大致如下：

Google最新发布PaLM 2，一种新的语言模型，具有更好的多语言和推理能力，同时比其前身PaLM更节省计算资源。

Google最新发布PaLM2，一种新的语言模型，具有更好的多语言和推理能力，同时比其前身PaLM更节省计算资源。PaLM2综合了多项研究进展，包括计算最优的模型和数据规模、更多样化和多语言的数据集、以及更有效的模型架构和目标函数。PaLM2在多种任务和能力上达到了最先进的性能，包括语言水平考试、分类和问答、推理、编程、翻译和自然语言生成等。PaLM2还展示了强大的多语言能力，能够处理数百种语言，并在不同语言之间进行翻译和解释。PaLM2还考虑了负责任的使用问题，包括推理时控制毒性、减少记忆化、评估潜在的伤害和偏见等。