去噪迭代自校正：用于可靠 LLM 推理的结构化验证循环

大语言模型 可以产生流畅但经常不正确的多步骤推理，而幼稚的纠正方法可能会降低已经正确的答案的质量。我们引入了去噪迭代自校正 (DISC)，这是一种测试时程序，它将验证问题输出视为解决方案可能被损坏的噪声测量。使用这些信号，DISC 逐步减少多个验证-判断-正确过程中的错误，类似于传统的迭代去噪。二进制判断门通过阻止重写来控制校正精度，重写会损坏已经正确的答案，同时验证器和校正器一起修复错误。我们使用两种配对诊断来评估这种权衡：改进与退化之比（精确度）和修复率（召回率）。在三个基准测试（BIG-Bench Mistake、HotpotQA、GPQA Diamond）和四个模型中，DISC 在精确率与召回率权衡上主导了 Chain-of-Verification 和 Self-Refine，在 BIG-Bench Mistake (Sonnet~4.5) 上，准确率达到 81.6%，每次降级比 Chain-of-Verification 提高 13 倍，比 Self-Refine 提高 5 倍。在 GPQA Diamond 中，我们确定了一个能力底线，低于该底线法官承认证据中的矛盾，但无法将这种认识转化为更正。我们进一步表明，跨模型角色分配（将验证和判断分配给与生成器不同的模型）可以减轻自我确认偏差。