大型语言模型中的认知决策路由：何时快速思考，何时迟缓思考

大型语言模型（LLMs）面临一个根本性挑战，即决定在依赖快速直觉响应方面还是投身于更深思熟虑的推理方面。以Daniel Kahneman的双过程理论及其对人类认知偏见的见解为灵感，我们提出了一种新的认知决策路由（CDR）框架，基于查询特征动态确定合适的推理策略。我们的解决方法克服了当前限制要么对所有查询应用统一的推理深度，要么依赖计算成本高昂的方法的限制。我们引入了一个元认知层，通过多个维度分析查询复杂度：给定信息与所需结论之间的相关性强度、领域边界的跨越、利益相关者的多样性以及不确定性水平。通过对多样化推理任务进行大量实验，我们证明CDR在减少计算成本34%方面优于统一深层推理方法，同时实现了卓越的性能。该框架在专业判断任务中表现尤为突出，在一致性方面实现23%的提升，在专家水平评估中实现18%的更好准确率。这一工作将认知科学原理与实际AI系统设计相结合，提供一种原则化的自适应推理方法。