你讓 ChatGPT 寫一段程式，它寫好了，你請它「再檢查一次有沒有 bug」。它很認真地看了一遍，然後說「啊我發現問題了」，接著把你的正確邏輯改成錯的。或者你讓它算一題數學，它算出 42，你叫它確認一下，它改成 37，但原本是對的。
不是你的運氣特別差。過去一年越來越多的研究指向一個結論：
叫 LLM 自我修正，大部分時候不只沒用，還經常把對的搞錯。
而且如果你換另一個更強的模型來幫它 review，那個強模型根本沒有在審查，它只是自己重做了一遍。
2026年1月6號 Yin Li 發表了一篇討論單一模型自我修正悖論的論文(Decomposing LLM Self-Correction: The Accuracy-Correction Paradox and Error Depth Hypothesis)。2026 年四月 CMU 團隊接續發表Revision or Re-Solving? Decomposing Second-Pass Gains in Multi-LLM Pipelines，討論「兩個模型接力」時第二個模型究竟在幹嘛。
Accuracy-Correction Paradox：
最強的不會修，最弱的反而會
論文用 GSM8K-Complex，一組高難度數學題庫（500 題，每題至少 4 個運算步驟），測試了三款模型：DeepSeek（強）、Claude（中）、GPT-3.5（弱）。結果如下：
- DeepSeek（94% 準確率）：內在修正率只有 16.7%
- GPT-3.5（66% 準確率）：內在修正率 26.8%
- Claude（70% 準確率）：內在修正率 29.1%
最需要修正的模型（因為它犯最多錯），修正率反而是最強模型的 1.6 倍。這叫 Accuracy-Correction Paradox。
Error Depth Hypothesis：
強模型犯的錯更深
為什麼會這樣？論文分析了錯誤類型分佈，發現 GPT-3.5 高達 62% 的錯誤是純粹的計算失誤，像是數字加錯、乘錯，回頭檢查很容易發現。但 DeepSeek 的錯誤只有 22% 是計算錯，其餘 77% 是邏輯錯誤和題意理解錯誤，整個解題方向就有問題，或者CoT中藏了一個細微漏洞。這種錯連模型自己都很難抓出來。
這就是 Error Depth Hypothesis：
強模型並非比較不會修正錯誤，它會犯的錯本身就是比較難修的錯誤。
Paradox 的根源不在修正能力，在錯誤的本質。
偵測率與修正率脫鉤，提示反而有害
論文還有兩個關鍵發現。
第一：偵測率和修正率幾乎無關。
Claude 只能正確偵測 10% 的錯誤，但直接要求它修正時，成功率反而有 29%，它擁有修正自己沒發現錯誤的能力。GPT-3.5 偵測率高達 82%，但修正率只有 27%。
第二：過度聚焦
當研究人員讓模型自己定位錯誤在哪一步，然後把這個資訊當提示餵回去時，所有模型的修正率都下降了（GPT-3.5 從 26.8% 掉到 15.5%，Claude 從 29.1% 掉到 12.8%）。被引導到特定步驟後，模型會過度聚焦在那裡，反而忽略了其他地方可能也有錯。
迭代反思：雙面刃
迭代反思（反覆檢查多輪）對偵測弱的模型幫助最大，Claude 從 29% 提升到三輪後的 61%，GPT-3.5 提升到 68%。但 Snorkel AI 隨後發現一個嚴重問題，對簡單任務（準確率 ≥75%），迭代五輪讓準確率從 98.1% 掉到 56.9%；對困難任務（<35%）才有效。簡單任務上模型會為了找錯而幻想出錯誤，稱為「腐蝕性批評（corrosive critique）」。
叫更強的模型來審查呢？
如果問題不在「自己修自己」，那換一個更強的模型來 review 呢？CMU 團隊在 2026 年四月用一個精巧的四條件實驗回答了這個問題。
他們設計了四個條件：
- x₁ 弱模型直接回答（基準線）
- x₂ 強模型 review 弱模型真實草稿（你以為的效果）
- x₃ 強模型直接回答不看草稿（強模型自己多強）
- x₄ 強模型收到語意空白的格式殼（review 框架的效益）。
然後把 x₂ 的增益拆成三塊：Re-solving（強模型自己做，跟草稿無關）、Scaffold（框架效益）、Content（弱模型草稿的實際貢獻）。
在往下看之前，你認為表現應該如何？
在選擇題任務（GPQA Diamond、Humanity's Last Exam）上，content effect 完全不顯著，強模型根本沒有在看弱模型的推理，它只是自己重做了一遍。反而直接問強模型還比標準審查流程高（89.9% vs 87.4%）。
在程式碼任務（LiveCodeBench，1054 題競賽級題目）上更極端。weak-draft content 顯著為負（−3.1pp ∼ −7.9pp）。強模型收到空殼 scaffold 時表現最好（87%），收到弱模型寫的真實程式碼時反而更差（83.9%）。問題越難，content 傷害越大，從 Easy 的 −0.6pp 一路掉到 Hard 的 −5.1pp。
原因在於程式碼是逐步展開的成品，不是抽象推理。當弱模型寫了一個脆弱的 parser 或錯誤的邊界處理，強模型在 review 時會被卡在那個區域性的實作細節裡（artifact-level anchoring），很難跳出重來。空殼 scaffold 雖然沒有演算法邏輯，但提供了一個語法正確、形狀像程式碼的空物件，讓強模型進入「補完模式」而不是「修正模式」。
角色反轉實驗也證實了這點：
讓強模型寫草稿、弱 model 去 review，content effect 就翻正了。問題就在草稿品質。
FAQ
Q：那以後都不能叫 AI 檢查自己的答案了？
A：可以但有策略。簡單任務不要重複檢查；困難任務叫它「重新從頭思考」；如果找外部模型 review，先確認那個模型直接回答的表現。
Q：為什麼弱草稿對 code 有害、對選擇題沒差？
A：選擇題答案空間小，強模型可忽略弱推理直接猜；寫程式會被脆弱的實作細節卡住（artifact-level anchoring）。
Q：偵測和修正是同一回事嗎？
A：不是。Claude 只能抓到 10% 的錯誤但能修正 29%，GPT-3.5 抓到 82% 但只修正 27%。兩者完全獨立。
Q：叫 AI 修改多次會不會越來越準？
A：視任務難度。簡單任務迭代大幅衰退（98.1% → 56.9%）；困難任務前幾次有效但邊際效益遞減。先小規模測試看看趨勢。
結語
自我修正不是一個預設有用的功能。第二遍的增益主要來自模型自身能力，而不是「修正」這個動作的價值。
- 簡單任務不要迭代。準確率高的任務迭代只會引發腐蝕性批評。
- 叫它「重新思考」而不是「檢查錯誤」。給定位提示反而降低修正率。
- 不要讓強 model review 弱 model 的程式碼。弱草稿的 content 有害，空殼 scaffold 都比真實爛程式碼好。
- 對選擇題直接問最強的模型就好。review 流程不會比直接回答更好，還有 chance 把對的改錯。
- 外部驗證永遠比內在修正可靠。能跑程式碼就跑，能查資料庫就查，不要讓 AI 空轉。
