这项由中国科学技术大学深圳校区、深圳大数据研究院和阿里巴巴Qwen团队联合完成的研究发表�𻂉月，论文题目为《RealCritic: Towards Effectiveness-Driven evalsuation of Language Model Critiques》。有兴趣深入了解的读者可以通过项目地址http://github.com/tangzhy/RealCritic访问完整研究内容和相关代码数据。

这是一个关于AI如何给自己或其他AI"改作业"的故事。就像我们在学校时，老师经常让同学互相检查作业、指出错误并给出修改建议一样，现在研究人员也希望AI大模型能够具备这种"批评"能力——不仅要会做题，还要会发现别人做题时的错误，并提出正确的修改方案。

然而，研究团队发现了一个令人意外的现象：尽管许多AI模型在直接解题方面表现相当不错，但当涉及到批评和改正错误时，它们的表现却令人失望。更有趣的是，OpenAI的o1-mini模型在这方面显示出了明显的优势，这引发了研究团队的深入思考。

为了系统性地研究这个问题，研究团队开发了一个名为RealCritic的全新评估框架。这个框架的独特之处在于，它不仅仅看AI能否指出错误，更重要的是看AI的批评建议是否真的能帮助产生更好的答案。就好比一个好的作文批改老师，不仅要能发现学生作文中的问题，还要给出的修改建议真正能让作文变得更好。

一、现有评估方法的致命缺陷

在深入了解新研究之前，我们需要先明白现有评估方法存在什么问题。目前主流的AI批评能力评估方法就像是让学生当老师批改作业，但评判标准却有致命缺陷。

想象这样一个场景：小明做了一道数学题，得出了错误答案。现在让AI老师来批改，AI需要判断这个答案是对还是错，并给出分析。按照现有的评估方法，只要AI正确地判断出"这个答案是错的"，就认为这是一次成功的批评，不管AI给出的分析和修改建议是否合理。

这就产生了一个严重问题：AI可能凭直觉或其他方式猜对了答案的对错，但它给出的分析过程可能完全错误，甚至会误导学生。就像一个老师虽然能判断学生答案是错的，但给出的错误原因分析和修改建议却是错误的，这样的"批评"不仅没有帮助，反而可能造成更大的混乱。

研究团队通过人工评估发现，现有评估基准CriticBench存在高�%的误判率——也就是说，�%被标记为"高质量"的批评实际上是低质量的。这个发现让研究团队意识到，传统的"开环式"评估方法存在根本性缺陷。

所谓"开环式"评估，就像是只看医生的诊断是否准确，却不关心患者吃了医生开的药之后病情是否真的好转。而理想的评估应该是"闭环式"的——不仅要看诊断准确性，更要看治疗效果。

二、RealCritic框架：从结果倒推批评质量

研究团队提出的RealCritic框架采用了一种全新的思路：不是直接评判批评本身的质量，而是看批评建议是否真的能产生更好的结果。这就像评价一个医生的水平，最好的方法不是看他说得多专业，而是看病人按照他的建议治疗后是否真的康复了。

具体来说，这个框架的工作流程是这样的：首先给AI一个包含错误的解题过程，让AI找出错误并给出修改建议，然后按照AI的建议重新解题，最后看新的答案是否比原来更准确。如果AI的批评建议真的帮助产生了正确答案，那就说明这是高质量的批评；如果建议后的答案还是错的，甚至比原来更糟，那就说明批评质量不佳。

这种方法的巧妙之处在于，它完全绕过了"什么是好批评"这个主观判断问题，而是用客观的结果来衡量。就像评价一个导航软件好不好，不是看它的界面多漂亮或功能多复杂，而是看它是否真的能带你准确到达目的地。

为了确保评估的公正性，研究团队还设计了严格的检查机制，防止AI"投机取巧"——比如不是真正批评原答案，而是直接重新解题。他们设计了专门的提示词和后处理检查，确保AI确实是在进行批评-修正的完整流程。

三、三种批评模式的深入考察

研究团队设计了三种不同的批评模式来全面评估AI的批评能力，每种模式都反映了现实应用中的不同场景。

第一种是自我批评模式，就像让学生检查自己的作业。AI首先解答一道题目，然后回过头来批评自己的答案，找出其中可能存在的错误并进行修正。这种能力在现实中非常有用，就像我们写完文章后会反复检查修改一样。然而，这种模式也存在天然的局限性——AI很难跳出自己的思维框架去发现自己的错误，就像很多人很难发现自己文章中的逻辑漏洞一样。

第二种是交叉批评模式，相当于让一个AI去批评另一个AI的答案。这种模式的优势在于，批评者没有参与原始解题过程，因此更容易保持客观立场发现问题。就像找别人帮忙校对文章，往往能发现自己看不出来的错误。不过，这种模式要求批评者能够理解和适应不同的解题风格和思路。

第三种是迭代批评模式，模拟了多轮批评-修正的过程。就像论文的反复修改过程，作者根据审稿人的意见修改，然后审稿人再次审查，如此循环直到达到满意的质量。这种模式特别适合复杂问题的解决，因为很多错误可能需要多次迭代才能完全消除。

研究团队特别强调了迭代批评的重要性，因为这正是o1系列模型的一个重要特征。这些先进模型在内部就采用了多轮自我反思和修正的机制，这可能是它们在复杂推理任务上表现出色的关键原因。

四、八个挑战性任务的精心设计

为了全面测试AI的批评能力，研究团队精心挑选𱅄个具有不同难度层次和特点的任务类型。这些任务的选择非常讲究，既要有足够的挑战性，又要有明确的标准答案便于评估。

在数学推理方面，他们选择了从基础到高难度的五个数据集。GSM8K包含小学到中学水平的数学应用题，就像"小明买苹果"这类我们都很熟悉的题目类型。MATH数据集则涵盖了高中到大学初年级的各种数学问题，包括代数、几何、概率论等多个分支。College Math进一步提升了难度，包含大学数学课程中的复杂问题。

Minerva Math数据集专门收录了需要复杂推理的数学问题，这些题目往往需要多步骤的逻辑推导。最具挑战性的是Olympiad Bench，它包含了各种数学竞赛中的题目，这类题目往往需要巧妙的解题技巧和深刻的数学洞察力。

在通用推理方面，研究团队选择了三个多选题数据集。ARC-Challenge专门收录了需要复杂推理的科学问题，这些题目不仅考查知识储备，更考查逻辑推理能力。MMLU-STEM涵盖了科学、技术、工程、数学各个领域的专业问题。GPQA-diamond则是研究生级别的科学问题，难度极高，连专业研究人员都需要仔细思考才能解答。

这种数据集的设计确保了评估的全面性。不同难度的题目能够区分出AI模型在不同复杂度下的批评能力，而不同领域的题目则能测试模型知识面的广度和跨领域推理能力。

五、令人震撼的实验结果

实验结果揭示了一个令人意外的现象：在AI大模型的世界里，"会做题"和"会批评"竟然是两种截然不同的能力。这个发现彻底颠覆了人们的直觉认知。

在直接解题能力方面，几乎所有被测试的模型都表现得相当不错。LLaMA-3.1-70B、Mistral-Large、Qwen2.5-72B等模型在基础数学问题上的准确率都能达�%以上，在一些领域甚至超�%。这让人觉得这些AI已经相当聪明了。

然而，当要求这些模型进行自我批评时，情况发生了戏剧性的变化。除了o1-mini之外，几乎所有模型的表现都出现了下降。LLaMA-3.1-70B的平均表现下降𱅀.3个百分点，Qwen2.5-72B-Math-Instruct下降𱅁.1个百分点，GPT-4o也下降𱅀.6个百分点。

这种下降意味着什么？简单来说，这些AI不仅没能通过自我批评改进答案，反而把原本正确的答案改错了，或者把错误的答案改得更加错误。这就像一个学生本来做对了题，结果自己检查时反而把答案改错了。

更令人震惊的是，在专业领域如MMLU-STEM和GPQA任务上，一些模型的表现下降幅度高�%。这说明在需要专业知识的复杂领域，AI的自我批评能力几乎完全失效，不仅帮不上忙，反而起到了负面作用。

然而，o1-mini的表现却与众不同。它是唯一一个在自我批评模式下整体表现有所提升的模型，平均提高𱄿.3个百分点。更令人印象深刻的是，它在某些任务上的提升幅度高�个百分点，这种差异是巨大的。

在交叉批评模式下，所有模型的表现都有所改善，但o1-mini依然保持着明显的领先优势，平均提升�.6个百分点，远超其他模型。这表明o1-mini不仅能够有效地批评自己，也能够很好地批评其他AI的答案。

六、深层分析：为什么传统模型在批评上表现糟糕

研究团队进一步分析了实验结果，试图理解为什么大多数AI模型在批评任务上表现如此糟糕。他们将模型的表现分解为两个关键指标：改错能力和保持正确答案的能力。

改错能力指的是AI能否将原本错误的答案通过批评和修正变成正确答案。保持能力则是AI能否在面对原本正确的答案时，通过批评确认其正确性而不会画蛇添足地改错。

分析结果显示，传统AI模型存在严重的不对称性问题。在自我批评模式下，这些模型改错的能力极其有限，通常只能改对不𳗥%的错误答案。但同时，它们却频繁地把原本正确的答案改错，这种错误率经常超�%，在专业领域甚至高�%以上。

这种现象可以用"过度自信"和"缺乏判断力"来解释。AI模型似乎对自己的每一个想法都很自信，当要求它们进行批评时，它们往往会找出一些并不存在的"问题"，然后进行不必要的修改。这就像一个缺乏经验的编辑，总是想要修改稿件中的每一个地方，结果往往越改越糟。

相比之下，o1-mini展现出了更加平衡的能力。它不仅能够有效地识别和修正错误（在某些任务上改错率达�%以上），同时也能较好地保持正确答案不被误改。虽然它在保持正确答案方面也存在一些问题，但总体来说，其改错收益远大于误改损失。

在交叉批评模式下，所有模型的改错能力都有显著提升，这说明批评他人比批评自己要容易得多。在基础数学任务如ARC和GSM8K上，模型们能�-45%的错误答案改正，这是相当不错的表现。但在专业领域，误改正确答案的问题依然严重。

七、迭代批评：多轮对话的威力与限制

研究团队还专门测试了迭代批评的效果，也就是让AI进行多轮的批评-修正循环。这种模式模拟了现实中复杂问题解决的过程，就像科学研究中的反复实验和改进。

实验结果显示，不同模型在迭代批评中表现出了截然不同的趋势。LLaMA-3.1、Mistral-Large和Qwen2.5-72B-Math-Instruct在多轮迭代中表现出稳定的下降趋势，说明越批评越糟糕，就像一个人越想越糊涂。

Qwen2.5-72B-Instruct展现了令人惊讶的一致性，在多轮迭代中保持了相对稳定的表现，既没有明显改善也没有明显恶化。这种稳定性在某种程度上也是一种优势，至少不会因为过度思考而变得更糟。

GPT-4o的表现则比较复杂，在交叉批评中初期有所改善，但随后出现下降，而在自我批评中则一直表现不佳。这种不稳定的表现可能反映了模型内部机制的某些限制。

o1-mini再次展现了其独特的优势，在整个迭代过程中都能维持良好的改进效果，特别是在早期轮次中表现尤为出色。这种持续的改进能力正是o1系列模型的核心优势之一。

这些结果揭示了一个重要insight：并非所有的AI模型都适合进行迭代推理。对于大多数传统模型来说，过多的自我反思可能会导致性能下降，而只有具备特殊架构或训练方法的模型才能真正受益于迭代批评。

八、对纯粹批评能力的单独测试

为了更准确地评估AI的纯粹批评能力，研究团队还设计了一个特殊实验：只给AI错误的答案，看它们能否成功修正。这相当于给学生一份全是错题的试卷，看谁能改对最多。

在这个更加严格的测试中，模型之间的差异变得更加明显。即使是表现最好的LLaMA-3.1-70B，在基础任务上也只能达�%左右的成功率，而在复杂任务上往往不�%。这说明纯粹的错误识别和修正确实是一项极其困难的任务。

更令人担忧的是，大多数模型在专业领域的纯批评任务中表现极差，成功率往往低�%。这意味着如果我们想要AI在专业领域帮助我们检查和改正错误，目前的技术水平还远远不够。

这种差异可能源于训练数据和方法的根本性差异。传统的AI模型主要是通过大量正确样本的学习来掌握解题能力，但批评能力需要模型深刻理解错误的本质和修正的方法，这需要完全不同的训练策略。

九、数据构建的精巧设计

研究团队在数据构建方面展现了极高的专业水准。他们不是简单地收集题目和答案，而是精心设计了一套复杂的数据生成和筛选流程。

首先，他们建立了一个包含多个开源模型的"答题者池"，包括不同规模的Qwen2.5系列、LLaMA-3.1系列和专门的数学模型DeepSeek-Math。这些模型在能力上有明显差异，因此能够产生不同质量的解答。

在收集解答时，研究团队采用了非常聪明的策略。对于错误答案，他们优先选择强模型的错误解答而不是弱模型的。这个选择背后有深刻的考虑：强模型的错误通常包含更多的推理细节和部分正确的步骤，这为批评者提供了更丰富的信息，也创造了更有挑战性的批评场景。

相反，对于正确答案，他们优先选择弱模型的正确解答。这是因为弱模型即使得出了正确答案，其推理过程往往包含一些模糊或不够严谨的地方，这为批评者创造了更具挑战性的场景——需要识别出哪些是真正的错误，哪些虽然表述不够完美但不影响答案正确性。

这种精心设计确保了测试的公平性和挑战性。如果只用弱模型的错误答案，批评任务可能过于简单；如果只用强模型的正确答案，又可能过于困难。通过这种平衡的设计，研究团队创造了一个既有挑战性又公平的评估环境。

十、技术实现的严谨性

在技术实现方面，研究团队展现了严谨的科研态度。他们不仅设计了评估框架，还开发了完整的自动化工具链来确保实验的可重复性和可靠性。

为了防止AI模型在批评任务中"投机取巧"——比如直接重新解题而不是真正进行批评，研究团队设计了专门的检查机制。他们使用另一个AI模型作为"监考官"，专门检查参与测试的AI是否真正按照批评-修正的流程进行。

这种检查机制的设计颇具巧思。监考AI会仔细分析整个批评过程，判断是否存在以下违规行为：AI没有遵循先批评后修正的顺序，而是直接给出新解答；AI在批评过程中发现了错误但在修正时却采用了完全不同的方法，没有基于批评内容进行修正。

为了验证这种自动检查的准确性，研究团队还进行了人工验证。他们随机抽取�个批评实例进行人工审查，发现自动检查的准确率达到�%，这证明了检查机制的可靠性。

在模型部署方面，研究团队采用了统一的参数设置来确保公平比较。所有开源模型都使用vLLM框架进行部署，采用相同的生成参数：温度设置𰹄确保结果的确定性，最大token长度设置�。对于商业模型如GPT-4o，则使用官方API并遵循官方推荐的参数设置。

这种标准化的实验设计确保了不同模型之间比较的公平性，也使得其他研究者能够复现和验证这些结果。

十一、深刻的理论洞察

这项研究不仅提供了实用的评估工具，更重要的是揭示了一些深刻的理论洞察，这些洞察对于理解AI的认知能力具有重要意义。

首先，研究证实了"生成能力"和"批评能力"是两种根本不同的认知技能。这个发现挑战了人们的直觉认知——通常我们认为能够解决问题的人也应该能够有效地评价和改进解决方案。但在AI的世界里，这种假设显然不成立。

这种分离可能源于训练机制的差异。传统的语言模型主要通过模仿大量正确样本来学习生成能力，但批评能力需要模型深入理解错误的本质、比较不同方案的优劣，并提出具体的改进建议。这些技能需要完全不同的训练策略和数据。

其次，研究揭示了"闭环评估"相比"开环评估"的根本优势。传统的开环评估方法只关注中间过程（批评本身），而忽略了最终结果（是否真正改进了答案）。这就像评价医生只看诊断报告而不看治疗效果，评价教师只看教案而不看学生成绩。

闭环评估的核心思想是"效果导向"——不管过程如何，最终以结果论英雄。这种评估方式更加贴近现实应用场景，因为在实际应用中，我们最关心的就是AI的建议是否真的有帮助。

第三，研究强调了"迭代推理"的重要性。o1-mini的优异表现很大程度上归功于其内置的多轮反思机制。这种机制允许模型在给出最终答案之前进行多次内部辩论和修正，这更接近人类专家解决复杂问题的思维过程。

这个发现对AI发展方向具有重要指导意义：未来的AI系统可能需要从单次推理转向多轮迭代推理，从简单的输入-输出模式转向复杂的内部对话模式。

十二、对AI发展的深远影响

这项研究的意义远远超越了学术范围，它对整个AI产业的发展都具有重要的指导价值。

从技术发展角度看，这项研究为AI能力评估提供了新的标准和方法。传统的AI评估主要关注准确率、召回率等单一指标，但这项研究表明，我们需要更加综合和动态的评估方式。未来的AI评估不仅要看模型能做什么，更要看模型能否帮助改进和优化。

从产业应用角度看，这项研究的发现对AI产品设计具有重要启示。目前许多AI产品都宣称具有"自我纠错"或"智能优化"功能，但这项研究显示，大多数AI模型的这种能力实际上相当有限。产品设计者需要更加谨慎地设计这些功能，避免给用户带来负面体验。

从用户角度看，这项研究提醒我们不能盲目相信AI的"自我批评"能力。当AI主动指出某个答案可能有问题并提出修改建议时，用户需要保持审慎态度，特别是在专业技术领域。

更重要的是，这项研究揭示了当前AI技术的一个重要局限：虽然AI在许多任务上表现出色，但在需要深度理解、判断和改进的任务上仍然存在显著不足。这种不足不仅是技术问题，更反映了当前AI训练方法和评估体系的局限性。

从研究方法论角度看，这项工作示范了如何设计更加科学和实用的AI评估方法。它不仅关注模型的静态能力，更关注模型在动态交互中的表现；不仅关注单一任务的表现，更关注跨任务和跨领域的一致性；不仅关注短期表现，更关注长期的迭代改进能力。

说到底，这项研究给我们上了重要的一课：AI的智能是多维度的，不能用简单的指标来衡量。一个在解题上表现出色的AI不一定具备良好的批评和改进能力，一个看起来"聪明"的AI可能在自我反思上表现糟糕。认识到这些差异对于正确使用和发展AI技术至关重要。

这项研究也预示着AI发展的新方向。未来的AI系统可能需要专门针对批评和改进能力进行设计和训练，而不是简单地依赖规模扩大和数据增加。o1系列模型的成功表明，通过专门的架构设计和训练方法，AI的批评能力是可以显著改善的。

随着AI技术的持续发展，我们有理由相信，未来会出现更多像o1-mini这样具备强大批评和自我改进能力的AI系统。到那时，AI不仅是问题的解决者，更是改进和优化的伙伴，这将为人类社会带来更大的价值。不过，在那一天到来之前，我们仍需要保持理性和谨慎，充分认识当前AI技术的局限性，合理规划和使用这些强大的工具。

Q&A

Q1：RealCritic评估框架和传统方法有什么不同？

A：RealCritic采用"闭环"评估方式，不是直接判断AI的批评质量，而是看AI的批评建议是否真的能产生更好的答案。就像评价医生不只看诊断准确性，更要看治疗效果。传统方法只要AI能判断答案对错就算成功，但RealCritic要求AI的修改建议必须真正改善答案质量。

Q2：为什么大部分AI模型在批评任务上表现这么差？

A：研究发现"会做题"和"会批评"是两种完全不同的能力。传统AI模型主要通过学习正确样本掌握解题技能，但批评能力需要深入理解错误本质和修正方法。大多数模型存在"过度自信"问题，经常把正确答案改错，改错能力却很有限，在专业领域尤其明显。

Q3：o1-mini为什么在批评任务上表现这么突出？

A：o1-mini是唯一在自我批评中整体表现提升的模型，平均提񠱳.3个百分点，某些任务提升高�个百分点。这主要归功于其内置的多轮反思机制，能够进行多次内部辩论和修正。它不仅改错能力强，也能较好地保持正确答案不被误改，展现出更平衡的批评判断力。