大型语言模型能否察觉并报告自身的内部状态？这一问题近年来成为人工智能研究中的一个争议焦点。多篇论文曾给出肯定回答，认为模型具备某种形式的“内省”能力。然而，一篇发表于2026年5月25日、编号为arXiv:2605.26242v1的新论文《Can LLMs Introspect? A Reality Check》对此提出了系统性的质疑。作者为Shashwat Singh等三位研究者，论文归类于人工智能（cs.AI）方向。
论文的核心论点建立在人类元认知研究的经验之上。作者指出，在人类认知科学中，要确认一个人真的在“内省”，研究者必须严格区分真正的内省与基于表面线索的模式匹配。仅仅观察到受试者说出某些关于自身状态的话，并不足以证明其具备对内部状态的直接访问能力。作者进一步强调，仅凭行为层面的证据，在原则上就不足以支撑强意义上的内省主张——这一点同样适用于大型语言模型。
为检验现有结论，作者重新审视了两个近期提出的评测范式。第一个范式要求模型检测自身的内部状态是否遭到篡改。研究发现，模型无法可靠地区分“对内部状态的干预”与“对输入内容的操纵”。换言之，模型在原始研究中表现出的成功，更可能反映的是一种泛化的异常检测能力，而非针对自身内部状态的专门监控。
第二个范式要求模型预测由其自身隐藏状态导出的标签。作者发现，仅能访问输入信息的分类器，其表现与模型自身的上下文内预测相当。这说明原始结果并不能确证模型对自身内部表征拥有特权访问。为进一步验证，作者设计了一个重新标注的对照设置：在该设置中，模型无法依赖任务的语义来求解，而必须真正依赖内部表征。结果，模型在这一控制更严格的版本中表现接近随机水平。
综合两项范式的重新检验，作者得出结论：当前证据尚不足以证明大型语言模型具备元认知监控能力。论文同时提醒研究社区，在评估模型“自我认识”时，需要更严谨的实验设计与更清晰的概念区分，否则容易将表面行为误读为深层认知能力。该论文提交于2026年5月25日18:07:49 UTC，全文约25MB，可通过arXiv获取PDF、实验性HTML及TeX源文件。