Myslím, že postřeh, že LLM jsou "špatní lektoři" v tom, že nemohou přesně zkoumat porozumění, je přesný. Fakt, že "zvyšovat váhu celého rolloutu" je hloupost, je také pravda. Nicméně mi není jasné, že lékem na to je LLM-reflexe o tom, "co se povedlo". Myslím, že to naráží na velmi podobné problémy s rizikem kolapsu nebo špatnou alokací dohledu. Protože zatímco můžeme vysávat dohled brčkem, jediná věc, která je ještě horší, je vysávání poskvrněného dohledu brčkem.