UniCog：通过潜在思维空间分析揭示 LLM 的认知能力
人工智能
2026-01-27 v1
摘要
越来越多的研究表明，大型语言模型（LLM）的认知过程与人类存在根本差异。然而，现有的可解释性方法在解释 LLM 推理过程中如何调用认知能力方面仍然有限。在本文中，我们提出了 UniCog，一个通过潜在思维空间分析 LLM 认知的统一框架。作为一种潜在变量模型，UniCog 将来自密集模型激活的多种能力编码为稀疏、解耦的潜在维度。通过对包括 DeepSeek-V3.2 和 GPT-4o 在内的六个先进 LLM 的广泛分析，我们揭示了 LLM 认知的 Pareto 原则，即一个共享的推理核心由特定能力的特征所补充。此外，我们发现推理失败通常表现为潜在激活中的异常强度。这些发现开启了 LLM 分析的新范式，为推理动态提供了基于认知的视角。最后，利用这些见解，我们引入了一种潜在信息驱动的候选优先级排序策略，在具有挑战性的基准测试中将推理性能提升了高达 7.5%。我们的代码可在 https://github.com/milksalute/unicog 获取。
引用
@article{arxiv.2601.17897,
title = {UniCog: Uncovering Cognitive Abilities of LLMs through Latent Mind Space Analysis},
author = {Jiayu Liu and Yinhe Long and Zhenya Huang and Enhong Chen},
journal= {arXiv preprint arXiv:2601.17897},
year = {2026}
}