Research
CritICL是一个推理时框架，利用较弱模型的结构化失败模式来提升LLM推理性能
CritICL是一个推理时框架，利用较弱模型的结构化失败模式来提升LLM推理性能，其动态变体可自适应预测输入特定失败模式并检索批判，性能优于标准上下文学习，且成本更低。
阅读 Hugging Face Daily Papers 原文为什么重要
该框架为提升LLM推理性能提供了高效方法，在保持性能的同时显著降低计算成本，对实际应用中的模型优化具有重要意义。
关键事实
事实 1
CritICL利用弱模型的失败模式作为引导，并通过基于批判的上下文示例将其纳入推理过程。
来源与依据
we utilize failure modes derived from weaker models and incorporate them into inference through critique-based in-context examples
事实 2
CritICL-dynamic变体自适应地预测输入特定的失败模式并检索批判。
来源与依据
CritICL-dynamic, which adaptively predicts input-specific failure modes and retrieves critiques
事实 3
CritICL在保持高效的同时，性能优于标准上下文学习，并以更少的生成次数和更低的token成本达到与测试时扩展方法相当或更优的结果。
来源与依据
CritICL consistently outperforms standard in-context learning and achieves performance competitive with or superior to test-time scaling methods, while requiring significantly fewer generations and lower token cost