MedCoG: 通过元认知调节最大化医学推理中LLM推理密度
人工智能
2026-02-10 v1
摘要
大型语言模型（LLM）在复杂医学推理中展现出强大潜力，但在推理扩张规律下面临收益递减。虽然已有研究通过多种知识类型增强LLM，但额外成本是否有效转化为准确率仍不明确。本文探讨了LLM的元认知，即其对自身知识状态的自我意识，如何调节推理过程。具体而言，我们提出了MedCoG，即具备知识图的医学元认知智能体，其中对任务复杂性、熟悉度和知识密度的元认知评估动态调节程序、情景和事实知识的利用。LLM中心的按需推理旨在通过（1）通过避免不成比例的扩张来降低成本，（2）通过过滤掉干扰性知识来提高准确率来克服扩张规律。为验证这一点，我们对比例意曲线进行了经验描述，并引入推理密度来量化推理效率，定义为理论有效成本与实际成本之比。实验表明，MedCoG在五组困难医学基准测试中有效且高效，实现了5.5倍的推理密度。此外，Oracle研究突显了元认知调节的重大潜力。
引用
@article{arxiv.2602.07905,
title = {MedCoG: Maximizing LLM Inference Density in Medical Reasoning via Meta-Cognitive Regulation},
author = {Yu Zhao and Hao Guan and Yongcheng Jing and Ying Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:2602.07905},
year = {2026}
}