大模型自我反思的核心驅動：武裝衝突預測中不確定性路由的受控消融研究

一項新的受控消融研究試圖回答一個看似簡單的問題：當大語言模型進行自我反思時，究竟是哪一部分真正起作用？論文作者在武裝衝突預測任務上設計了六種條件，將自我反思拆解為四個組件：證據暴露、診斷性腳手架、分類法詞彙和動作路由。結果表明，真正帶來增益的是類型化動作路由，而不是常見的診斷問題清單或不確定性分類詞彙。

研究首先給出了兩個精確的零結果。第一，結構化診斷問題與非結構化反思的F1得分分別為0.296和0.297，差異無統計學意義（p=1.000，95%置信區間[-0.041,+0.040]），説明預設的提問框架並不能額外幫助模型。第二，向模型展示完整的不確定性分類法，但同時將所有動作壓縮為一個通用動作，增益僅為ΔF1=+0.008，置信區間與基線重疊，從而排除了分類法詞彙這一解釋。

相比之下，類型化動作路由在方向上持續提升表現：F1從0.296升至0.379。在控制分類法詞彙影響後，保守估計ΔF1=+0.075；相對於單次推理基線，整體提升ΔF1=+0.101，bootstrap置信區間為[+0.020,+0.185]，具有統計顯著性。這一詞彙與路由的分離在GPT-4o上得到復現：分類法詞彙相對於通用反思無顯著貢獻（p=0.773），而動作路由則帶來顯著增益（p=0.025），説明該機制在不同模型骨幹上成立。

值得關注的是，這些增益集中在模型此前沒有見過、結構較新穎的衝突場景。例如在緬甸案例中，F1從0.000提升到0.353；在烏克蘭案例中，從0.167提升到0.500。僅提供詞彙而不允許類型化動作時，模型的表現並不優於通用反思；只有動作路由才能打破模型對零結果或低置信度預測的退化先驗。

作者據此提出，類型化動作路由——而非診斷腳手架或分類法詞彙——是設計元認知大語言模型預測代理時有前景的原則。論文同時指出，未來需要在更廣泛的衝突類型學上開展更大規模評估，以驗證這一設計原則的普適性。