认知增强：重新思考大语言模型角色扮演的必要性

角色扮演提示已成为提高大语言模型推理和输出质量的流行而简单的技术。然而，由于缺乏系统验证，它是否能够持续提高不同领域的性能仍不清楚。为了填补这一空白，我们在 MMLU 和 MMLU-Redux 上进行了多模型、跨域和多语言实验。我们发现角色扮演提示的收益在很大程度上取决于模型能力、知识领域和提示语言。借鉴元认知理论，我们提出与人物角色相关的认知对齐假设：只有当大语言模型正确掌握指定人物角色及其相关知识领域时，角色扮演才有效。我们通过角色信息丰富度消融、分层熵散度分析和潜在思维空间偏转观察来检验这一假设。为了减少角色认知偏差并稳定角色扮演表现，我们提出 Mixed-Language Concatenate Prediction (MLCP)，这是一种简单、免训练且高效的多语言提示串联策略。它聚合了语义上等效的角色提示，以丰富互补的表征线索。大量实验表明，在所有测试的大语言模型中，MLCP 始终优于普通角色扮演提示。