پرامپت‌های خوداصلاح‌گر، داوری مدل‌های زبانی را قابل‌اعتمادتر می‌کنند

گروهی به سرپرستی Y. Yin در 20 اکتبر 2026 مقاله‌ای منتشر کردند که نشان می‌دهد داورانِ مبتنی بر مدل‌های زبانی بزرگ می‌توانند سوگیری خود را کاهش دهند. آن‌ها دو روش را آزمودند: پرامپتی که پیش از داوری درباره احتمال وجود سوگیری به مدل هشدار می‌دهد، و پرامپتی تکمیلی که از مدل می‌خواهد پاسخ خودش را از نظر سوگیری نقد کند. در سه مدل پیشرفته، پرامپت خوداصلاح‌گر در 20 مورد از 21 ترکیبِ مدل و سوگیری نتیجه را بهتر کرد و در برخی موارد امتیاز را تا 15 واحد افزایش داد. روش قدیمی‌ترِ استفاده از منتقد بیرونی در آزمون‌های جدید سوگیری عملکرد ضعیف‌تری داشت.