Meta与多所大学合作提出了一种元认知复用机制，通过回顾推理过程提炼简洁的“行为”，显著减少推理token使用量，最多可减少46%。该方法在数学测试中保持准确率不变，提升了模型的推理效率。

本研究探讨大型语言模型的元认知能力，提出神经反馈范式以量化其激活模式的报告与控制能力。结果表明，LLMs能够学习这些能力，但受到示例数量和语义可解释性等因素的影响，揭示了其监测能力的局限性，为人工智能安全提供了实证依据。

本研究探讨了在大规模本科STEM课程中结合AI反馈与教材引用的实践考试系统。研究发现，要求学生解释答案和自信度的元认知行为显著提升了学习成果和参与度，约40%的学生在反馈指导下参考教材，表明结构化反思要求更具影响力。

本文提出情感梯度元认知递归自我改进（EG-MRSI）框架，以解决学习算法的安全性问题。通过引入可微分的内在奖励函数，EG-MRSI有效结合自我反思与情感动机，为安全的通用人工智能提供理论基础。

本研究关注大型语言模型（LLMs）在高风险决策情况下的元认知能力，填补了人类与LLMs在自我监控与评估知识和表现方面的研究空白。通过比较人类和LLMs的元认知能力，揭示了二者之间的异同，并指出改善这些能力对加强人机合作和提升人工智能系统的信任度具有重要意义。研究表明，未来开发更具敏感性和校准性的元认知能力的LLMs，可能促进其学习效率、自我引导及好奇心的发展。

本研究针对当前主流基于大型语言模型的人工智能方法存在的不足，提出了以内容为中心的计算认知（C4）建模的新方法，旨在提升AI代理的认知能力。通过对RPI的LEIA实验室开发C4代理的历史回顾，本论文展示了如何将元认知整合入认知机器人应用，以增强AI代理对信息的感知和理解能力。

本文提出了一种元推理器框架，旨在优化大语言模型的推理时间和计算开销。该框架基于人类元认知理论，通过动态推理优化机制，灵活评估推理进展并选择最佳策略，从而提高推理效率，适用于推理密集型任务。

本研究提出了一种名为MeCo的决策策略，旨在提高大型语言模型（LLMs）在使用外部工具时的自适应能力。通过元认知自我评估，MeCo显著提升了工具使用的决策效率，减少了延迟和错误。

本研究解决了元认知在人工智能，特别是机器学习系统中的应用不足问题。通过引入一种混合人工智能方法——错误检测与修正规则（EDCR），并提供一个概率框架来验证先前的实证研究，成果表明了元认知改善的必要与充分条件以及方法的局限性。这一发现为机器学习系统的自我调整与优化提供了重要的理论支持。

本研究介绍了状态流转换器（SST），旨在克服传统变换器模型的局限性。SST通过引入滑动窗口潜在状态缓存，提升了推理能力，并展示了元认知行为的出现，表明持续计算能够实现更高效的信息处理和推理策略。

本研究提出“MUSE”元认知框架，以解决自主智能体在未知环境中的适应能力不足，显示其在新任务识别和解决方面优于传统模型。

本文介绍了一种“思维逆转”框架，通过偏好引导的反向推理和元认知机制，提升大型语言模型在数学和逻辑推理中的表现。实验结果表明，该方法在准确性和效率上优于现有方法。

本研究探讨了大型语言模型（LLMs）的元认知方法，通过自我评估和动态调整提升模型理解能力。实验结果显示，元认知提示优于传统方法，显著增强了模型性能。同时，研究提出了CLEAR框架，以提高模型的可解释性和自我修正能力，强调了LLMs在自然语言处理中的发展及其伦理挑战。

比尔盖茨认为人工智能的下一个前沿是元认知，即人工智能可以对任务进行推理。他指出目前的整体认知策略需要改进，人工智能需要更像人类的元认知能力。他预测明年会在这方面取得进展，但解决这个问题还需要时间。比尔盖茨还谈到了人工智能的发展速度、知识边界以及中国在能源方面的优势。

元认知是关于代理自身内部过程的推理概念，在心理发展学领域首次引入。本文研究将元认知应用于人工智能的概念，提出了一个名为 TRAP 的元认知人工智能理解框架，包括透明度、推理、适应性和感知。我们逐个讨论了每个方面，并探讨了神经符号人工智能在解决元认知挑战中的应用。

本文提出了一种新方法来评估大型语言模型（LLMs）的数学推理能力，重点识别因误解导致的错误答案。研究表明，尽管LLMs能够正确回答问题，但在识别与特定误解相关的错误答案方面存在困难。该方法旨在提升LLMs在教育应用中的表现，并强调对其认知能力的更准确评估。