文章首先提到了一个推理-动作轨迹数据集的问题。这些数据集经常会包括一些需要多步推理的任务。但是，无论是让人去取得这些数据，还是让更高质量的模型代劳，成本都太高了。因此最好是自我监督，自己产生数据来学习（self-instruct还在追我）

文章使用Re-ReST（反射增强自训练）来优化生成的样本。具体地讲，模型先生成样本（比如说一段代码）然后把他交出去（比如说拿去运行）然后看反馈的结果，结合反馈结果优化生成样本，这样就可以得到高质量样本了。

文章做了很多方面的实验，多跳问答、顺序决策、代码生成、视觉问答和文本到图像生成都有涉及。最后还展示了一种不需要真实反馈的反射增强自训练方法（比如说不需要真的把生成的代码拿去运行的方法）

流程大致如下：

这里比较一下Re-ReST与Self-Instruct之间的区别啊。Self-Instruct是人工制作一批种子任务，然后让agent仿照产生新任务，用查重等方法筛选，最后用产生的数据集去微调。

Re-ReST是命令agent去生成某种数据（比如说代码，图像与文字啥的）然后把这些数据放到真实情况中去使用，把使用结果反馈给agent，让他自己修改自己原本生成的数据，从而得到新的高质量数据，最后用这些高质量数据去微调。

总之，Self-Instruct是根据查重筛选，而这个方法是根据真实反馈修改。

可以注意到，这个流程中实际上涉及了两个模型，一个是负责产生数据的agent（M），一个是负责修改不合格数据的Reflector（R）。其中反射模型R是可以访问外部环境的。

流程中文章会先把task输入给agent，agent会给出k种解法（文章推荐3个），然后交给环境。环境会进行反馈，没问题的话，那就把这一对input和output作为合格数据加入数据池，有问题就交给R这边。

其中M是一个大语言模型，可以接受一个task然后输出对应的解决思路，动作步骤。这个task是数据集提供的。具体做法是使用这个公开数据集中的一部分作为训练集，使用上文提到的过程进行训练啥的，然后用剩下的数据集进行测试。感觉这样子其实有一点赖皮，最后实验的时候应该测试一下假如不适用Re-ReST法，单纯的用一部分数据微调一下然后用剩下数据测试看看两者区别。

R也是一个大语言模型，可以访问外部环境获取反馈，从而修改M的输出，提高数据质量直到环境反映说达标了（也可以在修改之前生成cot）。文章发现假如R不能访问外部环境，得到真实反馈的话，其效果会很差。

M,R的参数不互通。

接下来是模型微调的具体细节。文章首先微调了R。R其实不微调也行，不过还是调了。具体做法是让M生成数据，正确的就直接拿来用，不正确的就加上环境给的反馈一起拿来给R微调用。此外，R自己也要生成一批数据（做法和M一样），也拿来微调自己。这些数据都是给R微调用的，没有做Re-ReST，就算有低质量数据也只是加上环境反馈就拿来用了。反正R也不需要太好。

这样，我们拥有了一个比较好的R之后，就可以开始使用上文提到的Re-ReST过程生成数据了。最后拿精修过的高质量数据交给agent（M）来微调。

这样训练部分就完成了。做inference的时候只需要agent(M)就可以了，R不用。

接下来是实验部分。在信息检索任务方面，文章使用HotpotQA数据集，其包含大量有关在维基百科上搜索信息之类的任务（是多步的）。agent能做的动作就三种，（1） 搜索[实体]，在维基百科上搜索确切的实体，（2）查找[关键字]，在检索到的段落中定位关键字，以及（3）完成[答案]。agent要做的就是给出一系列动作，给出之后会用维基百科的api执行这些动作，看看能不能完成task。具体的检查方法就是看agent最后得到的答案和数据集里的一样不一样，不一样就把检索结果和评估结果作为环境反馈交给R去矫正。这里提到了用LoRA来训练，什么意思？可以学一下LoRA。

此外，文章还做了序列决策，代码生成，用文字生成图片等方面的实验。

最后，文章进行了分析，证明了使用Re-ReST方法比单纯的让agent生成数据，不做反馈精修的方法更好。同时，实验开头的先微调R的做法被证明具有一定的作用。

最后，文章还做了一个小测试。之前有提到做inference的时候是没有R参与的，毕竟按照之前的思路，难不成做inference的时候还要把agent输出的结果先用api试一遍，然后把反馈交给R再把精修过的结果交给用户？但R不一定要这么用，这里测试了一下假如让R也来会怎么样。这里使用了一种self-consistent方法，就是让M和R各自生成三个output（总共6种解法）然后少数服从多数，选择最多人选择的那种方法，发现效果更好了。这样可以让R也参与进来，而且不需要环境反馈那一步，这里的R相当于只是普通的模型，不是负责精修数据的。