行動の前に自己認識を：先回りした認知的気づきによる論理的慣性の緩和

arXiv cs.AI / 2026/4/23

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

この論文は、大規模言語モデルが自分の知識や推論状態がどこまで完成しているかを認識できないために、固定されたパズル環境のような場面で不安定な判断につながり得ると主張している。
SABAとして、最終判断を行う前に「欠けている前提」を明示的に自己認識することでこの問題に対処する推論フレームワークを提案している。
SABAは、Information Fusionによって物語を検証可能なベース状態へ統合する工程と、欠けた／不十分な前提をクエリへ変換して仮説構築と状態の洗練を段階的に行う工程を交互に実行する。
非インタラクティブなDetective Puzzleベンチマークで、SABAは3つの難易度分割すべてにおいて最良の性能を示し、複数の公開ベンチマークでも上位結果を維持している。
先行して「何が欠けているか」を確認し、早期の仮説に固執しないための先回りの認知的気づきが、非インタラクティブ課題での推論安定性を高める可能性を示している。

要旨: 大規模言語モデルは多くの推論タスクで高い性能を示しますが、現在の知識や推論状態がどこまで完全であるかについての認識が欠けていることがしばしばあります。非対話型のパズル設定では、物語は固定されており、背後にある構造は隠されています。そのため、モデルが不完全な前提にもとづいて早い段階で仮説を形成すると、その誤りが推論プロセス全体に伝播し、不安定な結論につながり得ます。
この問題に対処するため、私たちはSABAを提案します。SABAは、最終判断を下す前に不足している前提についての自己認識を明示的に導入する推論フレームワークです。SABAは推論を、構造化された状態構築と障害の解決を交互に行う再帰的プロセスとして定式化します。まずInformation Fusionを適用して物語を検証可能な基底状態へと統合し、次にQuery-driven Structured Reasoningを用いて、不足している、または十分に特定されていない前提を、問い（クエリ）へと変換しながら、仮説構築と状態の洗練を通じて推論状態を段階的に完成させることで、それらを特定し解決します。
複数の評価指標において、SABAは非対話型Detective Puzzleベンチマークの3つの難易度分割すべてで最良の性能を達成しており、さらに複数の公開ベンチマークでも最先端の結果を維持しています。