Self-reflection

Self-reflection คือกลุ่มเทคนิคที่ให้โมเดลย้อนกลับมาตรวจ วิจารณ์ และแก้คำตอบของตัวเองอีกรอบก่อนส่งออก แทนที่จะตอบครั้งเดียวจบ ต้นทางที่คนอ้างถึงบ่อยที่สุดคือเปเปอร์ Reflexion ปี 2023 ซึ่งเสนอให้ agent สะท้อนผลตอบรับของงานออกมาเป็นภาษา แล้วเก็บบันทึกการสะท้อนนั้นไว้ในหน่วยความจำเพื่อให้ตัดสินใจดีขึ้นในรอบถัดไป โดยไม่ต้องแก้ค่าน้ำหนักของโมเดล แนวคิดนี้แพร่หลายมากจนกลายเป็นขั้นตอนมาตรฐานที่หลายองค์กรใส่ไว้ในระบบของตัวเอง ในรูปของคำสั่งประเภทให้ตรวจงานอีกรอบก่อนส่ง

เดือนสิงหาคม 2026 มีงานที่ท้าทายวิธีนี้อย่างตรงไปตรงมาชื่อ "Sample More, Reflect Less" ซึ่งเอาเทคนิคตระกูล self-reflection มาเทียบกับวิธีพื้นฐานที่สุด คือสุ่มคำตอบซ้ำหลายครั้งแล้วนับเสียงข้างมาก โดยคุมต้นทุน token ของทั้งสองฝั่งให้เท่ากัน ซึ่งเป็นตัวแปรที่งานก่อนหน้าไม่เคยคุม ผลสรุปตามที่เปเปอร์เขียนคือ "No method is reliably better than repeated sampling at equal cost anywhere. Ten are reliably worse, all of them methods where the model inspects its own output." แปลว่าที่ต้นทุนเท่ากัน ไม่มีวิธีไหนชนะการสุ่มซ้ำได้อย่างน่าเชื่อถือเลย และวิธีที่แพ้ชัดเจนทั้งสิบกรณีล้วนเป็นวิธีที่ให้โมเดลตรวจผลงานตัวเอง

อาการที่คมที่สุดของงานนี้ไม่ใช่เรื่องคะแนน แต่เป็นเรื่องกลไกที่พังแบบเงียบ ผู้เขียนพบว่า "Reflexion as published never triggered its own retry on the smallest model. It judged itself correct every time and silently became a single chain of thought." คือวิธีตามสูตรที่ตีพิมพ์ไม่เคยสั่งตัวเองให้ลองใหม่เลยสักครั้งบนโมเดลเล็กสุด เพราะมันตัดสินว่าตัวเองถูกทุกครั้ง จนกลายเป็นการคิดรอบเดียวธรรมดาไปโดยไม่มีใครรู้ สิ่งที่ทำได้ทันทีมีสองอย่าง อย่างแรกคือถ้ามีงบให้โมเดลคิดเพิ่มหนึ่งเท่า ให้เอาไปถามซ้ำหลายรอบแล้วดูว่าคำตอบไหนออกบ่อยที่สุด แทนที่จะเอาไปให้มันตรวจตัวเอง อย่างที่สองสำคัญกว่า คือถ้าระบบของคุณมีขั้นตอนให้ AI ตรวจงานก่อนส่ง ให้ไปนับดูว่าขั้นตอนนั้นเคยตีกลับงานบ้างไหม ถ้าไม่เคยเลยแปลว่ามันไม่ได้ทำงานอยู่จริง เพราะมันไม่ได้แจ้ง error มันแค่ผ่านทุกครั้ง ข้อควรระวังที่ห้ามข้ามคืองานนี้วัดบนโมเดลแบบเปิดขนาด 1.5B ถึง 7B กับงานคณิตศาสตร์เท่านั้น ไม่มีการทดสอบเหนือ 7B และแนวโน้มในเปเปอร์เองคือโทษของการให้โมเดลเลือกคำตอบเองจางลงเมื่อโมเดลใหญ่ขึ้น จนแยกจากศูนย์ไม่ออกที่ 7B จึงห้ามใช้เปเปอร์นี้อธิบายพฤติกรรมของโมเดลระดับแนวหน้า

ตัวอย่างจากบทสนทนาจริง

นักพัฒนา: "ระบบเราใส่ขั้นตอนให้โมเดลตรวจคำตอบตัวเองก่อนส่งให้ลูกค้าครับ คิดว่าช่วยเรื่องคุณภาพได้เยอะ"

หัวหน้าทีม: "ช่วยได้แค่ไหนต้องวัดครับ มีงานปี 2026 ที่พบว่าที่ต้นทุนเท่ากัน การถามซ้ำแล้วนับเสียงข้างมากได้ผลดีกว่าการให้มันตรวจตัวเอง และเคสที่น่ากลัวกว่าคือขั้นตอนตรวจอาจไม่ได้ทำงานอยู่เลยโดยเราไม่รู้ เพราะมันตัดสินว่าตัวเองถูกทุกครั้ง ขอให้น้องไปดึง log ย้อนหลังสักเดือนแล้วนับว่าขั้นตอนตรวจเคยตีกลับกี่ครั้ง ถ้าเลขเป็นศูนย์ แปลว่าเราจ่ายค่า token เพิ่มโดยไม่ได้อะไรเลยครับ"

ระวังสับสนกับ

• chain-of-thought : chain of thought คือการให้โมเดลคิดเป็นขั้นตอนภายในคำตอบเดียว ส่วน self-reflection คือการให้มันย้อนกลับมาตรวจคำตอบที่เขียนไปแล้ว งานปี 2026 พบว่าในบางกรณี self-reflection กลายสภาพเป็น chain of thought ธรรมดาไปเงียบๆ เพราะไม่เคยตีกลับตัวเอง
• human-review : human review คือคนเป็นผู้ตรวจ ซึ่งเป็นคนละเรื่องกับให้โมเดลตรวจตัวเอง ข้อค้นพบของงานนี้เป็นเหตุผลเพิ่มว่าทำไมขั้นตอนคนตรวจยังจำเป็นในงานที่ผิดไม่ได้
• automated-review : automated review คือการให้ AI ตรวจงานที่คนอื่นส่งเข้ามา เช่นรีวิวโค้ดใน pull request ซึ่งผู้ตรวจกับผู้ถูกตรวจเป็นคนละฝ่าย ส่วน self-reflection คือให้โมเดลตรวจงานของตัวเอง ซึ่งเป็นจุดที่งานปี 2026 พบว่าอ่อนแอเป็นพิเศษ
• effort : effort คือการตั้งว่าจะให้โมเดลใช้ความพยายามในการคิดมากแค่ไหน ซึ่งเป็นการเพิ่มงบการคิด ส่วน self-reflection คือรูปแบบหนึ่งของการใช้งบนั้น คำถามที่งานนี้ตอบคือเมื่อมีงบเพิ่ม ควรเอาไปใช้แบบไหนจึงจะคุ้มที่สุด