Begriff
Self-Refine
Self-Refine ist eine Prompting-Technik, bei der ein Modell seinen eigenen Output kritisiert und in mehreren Iterationen verbessert — ohne menschliches Feedback.
Self-Refine — ausführlicher erklärt
Self-Refine (Madaan et al., 2023) lässt ein einziges Sprachmodell drei Rollen einnehmen: erst generiert es eine erste Antwort, dann bewertet es diese mit Verbesserungsvorschlägen, anschließend schreibt es die Antwort auf Basis der eigenen Kritik um. Diese Schleife läuft, bis das Modell selbst „kein Verbesserungsbedarf” signalisiert oder ein Iterations-Limit greift. Alles passiert ohne externes Feedback und ohne Fine-Tuning.
Beispiel / Praxisbezug
Stark bei Aufgaben mit klaren Bewertungskriterien: Code-Generierung, mathematische Beweise, Code-Optimierung, längere Texte mit Stilvorgaben. Über mehrere Benchmarks meldete das Originalpapier durchschnittlich rund 20 % bessere Ergebnisse als eine einfache One-Shot-Antwort. Praxis-Hinweis: Mehr als 3–5 Iterationen bringen meist keinen Mehrwert.
Abgrenzung zu ähnlichen Begriffen
Im Unterschied zu Self-Consistency arbeitet Self-Refine sequentiell und verbessert eine einzelne Antwort, statt mehrere parallel zu sampeln. Im Unterschied zu RLHF gibt es kein Training — die „Selbstkorrektur” passiert ausschließlich zur Inferenzzeit über Prompts.
Entdecke mehr
Effort-Level und Deep Thinking: zwei unabhängige Achsen bei KI-Aufgaben
Effort skaliert Breite, Deep Thinking skaliert Tiefe. Wann welche Stufe sinnvoll ist — mit drei klaren Beispielen und einer Faustregel.
GlossarChain-of-Thought
Chain-of-Thought (CoT) ist eine Prompting-Technik, bei der das Modell aufgefordert wird, seinen Lösungsweg in Zwischenschritten auszuformulieren — das verbessert die Trefferquote bei Aufgaben mit mehreren Denkschritten.
LexikonPrompt-Sicherheit — Injection, Leaking, Guardrails
Wie Prompt Injection, Prompt Leaking und Jailbreaks funktionieren — und welche Verteidigungen (Guardrails, Spotlighting, Sanitization) wirklich helfen.