Autocorrezione dei LLM: quando aiuta vs. quando nuoce

Un nuovo studio pubblicato su arXiv (2604.22273) discute i benefici dell'autocorrezione iterativa nei sistemi LLM agentici. I ricercatori considerano l'autocorrezione come un ciclo di feedback, in cui un modello funge sia da controllore che da sistema. Applicano un modello di Markov a due stati con gli stati {Corretto, Errato} per stabilire un criterio di implementazione: autocorreggere solo quando il rapporto ECR/EIR è maggiore di Acc/(1 - Acc). Qui, EIR rappresenta un margine di stabilità, mentre il prompting è un approccio di controllo diretto. Test su 7 modelli su 3 dataset (GSM8K, MATH, StrategyQA) hanno rivelato una soglia critica di EIR dello 0,5% che differenzia l'autocorrezione efficace da quella inefficace. Solo o3-mini, Claude Opus 4.6 e o4-mini hanno mantenuto le prestazioni, mentre GPT-5 è calato di 1,8 pp. Uno studio aggiuntivo ha mostrato che il prompting può influenzare questa soglia.