LLM 当他们知道但不采取行动时就知道：用于测试时间缩放的元认知工具

大语言模型（LLM）经常暴露自我监控的有用信号：在解决问题之前，他们可以估计自己是否有可能成功，在解决问题之后，他们可以判断自己的答案是否可能是正确的。然而，这些信号通常是单独测量或引发的，而不是用于控制推理。在这项工作中，我们询问 LLM 是否具有可以转化为有效的测试时间控制的潜在元认知能力。受认知心理学中的纳尔逊-纳伦斯理论的启发，我们提出了一种将监控与推理分开的元认知工具。对于每个问题，模型首先报告一个解决前的知觉 (FOK) 信号；每次尝试求解后，它都会报告求解后学习判断 (JOL) 信号。该工具并没有将这些信号视为被动的置信度估计，而是将它们转变为用于推理的显式控制接口：它决定何时信任当前解决方案，何时使用紧凑的元认知反馈重试，以及何时将多次尝试传递给最终聚合器。在文本、代码和多模态推理基准测试中，我们的工具极大地改进了固定的 Claude Sonnet-4.6 基本模型，无需参数更新或特定于基准测试的 微调。在评估的公共基准快照上，它将汇总准确度从 48.3 提高到 56.9，并超过了三个主要评估设置（HLE-Verified、LiveCodeBench v6 和 R-Bench-V）中列出的最强排行榜条目。这些结果表明，强大的 LLM 可能已经具备有用的元认知能力，但需要明确的控制工具在推理过程中对其采取行动。