LLM元认知综述与路线图
yale-nlp · hf · 2026-07-14
这是一篇关于 **LLM 元认知(metacognition)** 的综述,目标是梳理该领域的基础、进展与机会。作者认为,元认知是智能的重要组成部分,对学习、问题求解、决策和沟通都很关键;而在 LLM 场景里,何时、如何、以及在多大程度上能具备或被赋予元认知能力,仍然是开放问题。 文章系统总结了当前研究版图,包括: - **评测方法与基准**:如何测量模型的元认知能力; - **提升与激发技术**:怎样让模型表现出更好的元认知; - **应用与影响**:这些能力如何提升可靠性、透明度与整体智能; - **开放问题与挑战**:以及未来值得推进的方向。 作者还提供了整理好的论文列表,方便继续跟进这个新兴方向。
「研究」频道最新
- MIT 博士生称 harness 设计可让 RLM 迁移到 100 倍长任务 — a1zhang · 2026-07-21
- GEPO 用组熵改造 GRPO,在 13 项基准上更稳更强 — internlm · 2026-07-21
- 阿里 RynnBrain 1.1 把具身基础模型扩到 122B-A10B — Alibaba-DAMO-Academy · 2026-07-21
- 微软研究院把 LLM Judge 变 Coach,优于 rubric RL — MicrosoftResearch · 2026-07-21
- OpenLongTail 用生成视角补齐长尾自动驾驶数据 — TexasAMUniversity · 2026-07-21
- DiFA 让扩散模型推理对齐前向统计,生成质量更高 — cn-scut · 2026-07-21