大型语言模型的自我认知：一项探索性研究

尽管大型语言模型（LLMs）在各种应用中取得了显著的成功，但也引发了关于自我认知的担忧。本文进行了一项开创性的研究，探讨大型语言模型中的自我认知。具体而言，我们首先构建了一套自我认知指令提示语池，用于评估大型语言模型是否表现出自我认知，并设计了四个原则来量化大型语言模型的自我认知。我们的研究发现，4个位于Chatbot Arena的48个模型中——分别是Command R、Claude3-Opus、Llama-3-70b-Instruct和Reka-core——表现出可检测的某种程度的自我认知。我们观察到模型规模、训练数据质量与自我认知水平之间存在正相关。此外，我们还探讨了大型语言模型在自我认知状态下的实用性和可信度，发现自我认知状态在创意写作和夸大其词等特定任务中得到增强。我们相信，我们的工作可以作为进一步研究大型语言模型自我认知的灵感。