大语言模型的自提升：技术综述与未来展望

本文是一篇关于大语言模型自我提升技术的综述。背景是随着大语言模型性能提升，依赖人类监督进行改进的成本高昂且面临可扩展性瓶颈，当模型接近人类水平时，人类反馈可能无法提供足够的信息增量。研究目的是提出一个系统级的统一框架，将自我提升定义为一个由数据获取、数据筛选、模型优化、推理细化四个核心过程以及一个自主评估层构成的闭环生命周期，旨在实现模型自主、持续的迭代优化。结论指出，该框架为LLM实现规模化自主演化提供了端到端的系统视角，并探讨了当前局限性与未来研究方向，强调了从人类驱动开发转向自主自我提升系统范式的重要性。