MedCoG：通过元认知调控最大化医学推理中的LLM推理密度

大语言模型 (LLM) 在复杂的医学推理中显示出强大的潜力，但在推理缩放法则下面临着收益递减的问题。虽然现有的研究增加了大语言模型的各种知识类型，但目前尚不清楚额外成本如何有效地转化为准确性。在本文中，我们探讨了大语言模型的元认知，即他们对自己知识状态的自我意识，如何调节推理过程。具体来说，我们提出了 MedCoG，一种具有知识图谱的医学元认知代理，其中对任务复杂性、熟悉度和知识密度的元认知评估动态调节程序性、情景性和事实性知识的利用。以大语言模型为中心的按需推理旨在通过以下方式减轻缩放法则：（1）通过避免不加区别的缩放来降低成本，（2）通过过滤掉干扰性知识来提高准确性。为了验证这一点，我们凭经验描述了缩放曲线，并引入推理密度来量化推理效率，定义为理论有效成本与实际成本的比率。实验证明了 MedCoG 在五组严格的医学基准上的有效性和效率，产生 5.5 倍的推理密度。此外，甲骨文的研究强调了元认知调节的巨大潜力。