项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 849
使用教程
ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。
环境要求
- Python 3.9+
- OpenAI Key
安装与启动步骤
-
1克隆
自我精炼论文的官方实现，按任务分目录。
git clone https://github.com/madaan/self-refine.git cd self-refine -
2装提示库
它依赖作者另一个 prompt 库。
git clone https://github.com/reasoning-machines/prompt-lib pip install prompt-lib/ -
3配密钥
OpenAI Key 走环境变量。
export OPENAI_API_KEY=sk-xxx -
4跑一个任务
先跑 GSM 数学题，看迭代反馈的效果。
python -u src/gsm/run.py
如何确认成功
输出里能看到每轮迭代的初稿与改进稿对照。
注意事项
- 核心是「生成-反馈-改写」循环，不需要额外训练。
- 迭代次数越多成本越高，2–3 轮通常就到收益拐点。
- 各任务目录入口脚本不同，按 README 的表选。
核心亮点
- 无需额外训练，仅靠提示词就能让模型自我修正输出
- 通用性强，可适配多种生成任务和主流LLM
- 迭代改进机制直观，易于理解和复现
不足之处
- 多次调用模型导致计算成本较高
- 文档和示例相对简略，社区支持待观察
适用场景
- 代码生成后自动修复语法或逻辑错误
- 长文本生成后提升连贯性和准确性
- 数学推理题答案的自我纠错
替代项目
Self-Refine (ICLR 2023)、CRITIC、Reflexion
上一篇：MoE-plus-plus
下一篇：ObsScaling
同类项目推荐
ReCall
开源
让大模型学会自己上网查资料，回答更准更及时
ReSearch: Learning to Reason with Search for LLMs via Reinforcement Learning & ReCal···
CausalMM
开源
破解注意力因果，减少多模态模型瞎编乱造
[ICLR 2025] Mitigating Modality Prior-Induced Hallucinations in Multimodal Large Lan···
ludwig
开源
写个 YAML 就能训练大模型，告别繁琐代码
Low-code framework for building custom LLMs, neural networks, and other AI models
verl-vla
开源
采集+微调+RL 一条龙，让机器人 VLA 策略快速迭代
A unified VLA post-training framework for human-in-the-loop data collection, fine-tu···
Prism
开源
动态稀疏注意力，让2K音视频生成模型原生训练更省算力
We propose Prism, a dynamic sparse attention framework for natively training joint v···
FreeFuse
开源
测试时动态路由，多 LoRA 融合不打架
[TMLR26]FreeFuse: Multi-Subject LoRA Fusion via Adaptive Token-Level Routing at Test···
train-llm-from-scratch
开源
从数据到生成，手把手教你训练自己的大模型
A straightforward method for training your LLM, from downloading data to generating ···
agent-lightning
开源
训练智能体像训练模型一样顺，调优不再全靠试
The absolute trainer to light up AI agents.
alpa
开源
写单机代码，自动跑超大模型分布式训练与推理
Training and serving large-scale neural networks with auto parallelization.