行动前的自我觉察：通过主动认知觉察缓解逻辑惯性

大语言模型在许多推理任务上表现出色，但它们往往缺乏对自身当前知识或推理状态是否完整的觉察。在非交互式谜题设定中，叙事是固定的且底层结构是隐藏的；一旦模型在不完整前提下形成早期假设，该错误就可能在整个推理过程中传播，导致结论不稳定。为解决这一问题，我们提出SABA，一个在做出最终决策前显式引入对缺失前提之自我觉察的推理框架。SABA将推理形式化为在结构化状态构建与障碍消解之间交替的递归过程：它首先应用Information Fusion将叙事整合为可验证的基础状态，然后使用Query-driven Structured Reasoning，通过将缺失或欠明确的前提转化为查询，并借助假设构建与状态精炼逐步完善推理状态，来识别并解决这些问题。在多项评估指标上，SABA在非交互式Detective Puzzle基准的全部三个难度划分上取得最佳性能，并在多个公开基准上保持领先结果。