深度分析 以馬可夫鏈與控制論量化 LLM 自我修正：EIR/ECR 門檻與部署診斷 本文將大型語言模型（LLM）的迭代自我修正，重新置於控制論的閉環框架，提出以兩態（正確／錯誤）馬可夫鏈為基礎的部署診斷。研究引入兩個關鍵指標：錯誤引入率（EIR）與錯誤修正率（ECR），並推導出一條簡單可量測的停止規則：僅當 ECR/EIR 超過某閾值時才應繼續迭代。
