大语言模型中的元认知：基础、进展与机遇

作者：Gabrielle Kaili-May Liu, Areeb Gani, Jacqueline Lu, Jordan Thomas, Mark Steyvers, Arman Cohan

提交时间：2026年7月13日（UTC）

核心摘要

元认知是智能的基础组成部分，对有效学习、问题解决、决策制定、沟通等至关重要。近年来，它日益被视为具备能力且透明的AI系统的核心基石。尽管大型语言模型（LLMs）在多样现实任务中已取得显著进展，但目前尚不明确其何时、以何种方式、在多大程度上能够展现或被赋予有效的元认知能力，亦不清楚此类能力将如何被适配以推动AI系统的基础能力、可靠性与智能水平。本文旨在填补这一空白，首次全面概述了当前关于LLM元认知的知识现状。我们对该新兴领域进行了分析与分类，总结了近期技术进展，包括用于衡量和评估LLM元认知能力的方法与基准、激发、改进及应用元认知于LLM中的技术，以及现有研究的发现与启示。此外，还讨论了应用场景、开放性问题与挑战，以及未来有前景的研究方向。本文力求提供一份详尽且及时的专题综述，以激发有意义的研究与讨论。

结构化论文列表详见：https://github.com/yale-nlp/LLM-Metacognition

提交记录与版本信息

• 提交者：Gabrielle Liu
• 版本：v1
• 时间：2026年7月13日 17:58:37 UTC
• 文件大小：1,060 KB

引用与标识信息

• arXiv编号：2607.11881
• 标准引用：arXiv:2607.11881 [cs.CL]
• DOI：10.48550/arXiv.2607.11881
• 许可协议：非独家分发许可证

全文访问与资源

• PDF阅读：查看PDF
• HTML预览：实验性HTML版
• TeX源码：下载TeX
• 浏览上下文：cs.CL → cs.AI
• 参考文献与引用工具：支持NASA ADS、Google Scholar、Semantic Scholar检索，提供BibTeX格式化导出功能。
• 代码、数据与媒体关联：集成alphaXiv、CatalyzeX、DagsHub、Hugging Face、ScienceCast等平台链接。
• 演示工具：支持Replicate、Hugging Face Spaces、TXYZ.AI运行与展示。
• 推荐与检索工具：提供影响力图谱（Influence Flower）、CORE Recommender推荐、按作者/机构/主题筛选功能。
• arXivLabs项目：支持社区开发者直接在网站开发并分享新功能，秉持开放、卓越、用户数据隐私保护价值观。