行动前的自我觉知：通过主动认知觉知缓解逻辑惯性

大型语言模型在许多推理任务上表现良好，但它们通常缺乏对自身当前知识或推理状态是否完整的觉知。在非交互式谜题环境中，叙述是固定的，底层结构是隐藏的；一旦模型在不完整的前提下形成早期假设，它就可能在整个推理过程中传播该错误，导致不稳定的结论。为了解决这个问题，我们提出了 SABA，一个在做出最终决策前显式引入对缺失前提的自我觉知的推理框架。SABA 将推理形式化为一个在结构化状态构建与障碍解决之间交替的递归过程：它首先应用信息融合将叙述整合成一个可验证的基础状态，然后使用查询驱动的结构化推理，通过将缺失或未明确说明的前提转化为查询，并通过假设构建和状态细化逐步完成推理状态，从而识别并解决这些前提。在多个评估指标上，SABA 在非交互式侦探谜题基准的所有三个难度划分上都取得了最佳性能，并且在多个公共基准上也保持了领先的结果。