Self-Awareness before Action: Mitigating Logical Inertia via Proactive Cognitive Awareness

📄 arXiv: 2604.20413v1 📥 PDF

作者: Fulong Fan, Peilin Liu, Fengzhe Liu, Shuyan Yang, Gang Yan

分类: cs.AI

发布日期: 2026-04-22

备注: Accepted to ACL 2026. 12 pages, 3 figures

💡 一句话要点

提出SABA框架，通过主动认知推理弥补大语言模型在非交互式谜题中逻辑惯性问题。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 推理 自我认知 逻辑惯性 侦探谜题

📋 核心要点

  1. 现有大语言模型在推理任务中易受不完整前提的影响，导致逻辑惯性，产生错误结论。
  2. SABA框架通过显式引入自我认知机制，在决策前主动识别和补全缺失的前提信息。
  3. SABA在侦探谜题基准测试中表现出色，并在多个公共基准上保持领先，验证了其有效性。

📝 摘要（中文）

大型语言模型在许多推理任务中表现出色，但通常缺乏对其当前知识或推理状态是否完整的认知。在非交互式谜题设置中，叙述是固定的，底层结构是隐藏的；一旦模型在不完整的假设前提下形成早期假设，它就会在整个推理过程中传播该错误，导致不稳定的结论。为了解决这个问题，我们提出了一种推理框架SABA，该框架在做出最终决策之前，显式地引入了对缺失前提的自我认知。SABA将推理形式化为一个递归过程，该过程在结构化状态构建和障碍解决之间交替进行：它首先应用信息融合将叙述整合到可验证的基础状态中，然后使用查询驱动的结构化推理，通过将缺失或未明确的前提转化为查询，并通过假设构建和状态细化逐步完成推理状态。在多个评估指标中，SABA在非交互式侦探谜题基准的所有三个难度级别上都取得了最佳性能，并且在多个公共基准上保持领先地位。

🔬 方法详解

问题定义：论文旨在解决大型语言模型在非交互式谜题推理中存在的逻辑惯性问题。现有方法在面对信息不完整或隐藏结构时，容易过早形成假设，并在后续推理中固守该假设，导致错误结论。这种逻辑惯性源于模型缺乏对自身知识状态的认知，无法判断前提是否完备。

核心思路：SABA的核心思路是在推理过程中引入“自我认知”机制，使模型在做出最终决策之前，能够主动识别并补全缺失或未明确的前提信息。通过将推理过程分解为结构化状态构建和障碍解决的递归过程，SABA能够逐步完善推理状态，避免逻辑惯性。

技术框架：SABA框架包含两个主要模块：信息融合（Information Fusion）和查询驱动的结构化推理（Query-driven Structured Reasoning）。信息融合模块负责将叙述整合为可验证的基础状态，提取关键信息。查询驱动的结构化推理模块则负责识别和解决缺失或未明确的前提，将其转化为查询，并通过假设构建和状态细化逐步完成推理状态。整个过程是一个递归循环，直到所有关键前提都得到明确。

关键创新：SABA的关键创新在于显式地将“自我认知”引入推理过程。与传统的直接推理方法不同，SABA在做出决策之前，会主动评估当前知识状态的完整性，并采取措施补全缺失信息。这种主动认知机制能够有效缓解逻辑惯性，提高推理的准确性和稳定性。

关键设计：SABA框架中的查询驱动的结构化推理模块是关键。该模块需要设计有效的查询策略，以识别缺失的前提信息。同时，需要设计合理的假设构建和状态细化机制，以逐步完善推理状态。具体的参数设置、损失函数和网络结构等技术细节在论文中可能有所描述，但摘要中未提及，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SABA在非交互式侦探谜题基准测试中，在所有三个难度级别上均取得了最佳性能。具体性能数据和对比基线在摘要中未给出，属于未知信息。但论文强调，SABA在多个公共基准测试中也保持领先地位，表明其具有广泛的适用性和优越的性能。

🎯 应用场景

SABA框架可应用于需要严谨推理和逻辑判断的领域，如法律文本分析、医学诊断、金融风险评估等。通过提高机器的自我认知能力，SABA能够减少错误推理，提升决策质量，并为构建更可靠的人工智能系统奠定基础。未来，该框架有望扩展到更复杂的推理场景，例如多轮对话和开放域问答。

📄 摘要（原文）

Large language models perform well on many reasoning tasks, yet they often lack awareness of whether their current knowledge or reasoning state is complete. In non-interactive puzzle settings, the narrative is fixed and the underlying structure is hidden; once a model forms an early hypothesis under incomplete premises, it can propagate that error throughout the reasoning process, leading to unstable conclusions. To address this issue, we propose SABA, a reasoning framework that explicitly introduces self-awareness of missing premises before making the final decision. SABA formulates reasoning as a recursive process that alternates between structured state construction and obstacle resolution: it first applies Information Fusion to consolidate the narrative into a verifiable base state, and then uses Query-driven Structured Reasoning to identify and resolve missing or underspecified premises by turning them into queries and progressively completing the reasoning state through hypothesis construction and state refinement. Across multiple evaluation metrics, SABA achieves the best performance on all three difficulty splits of the non-interactive Detective Puzzle benchmark, and it also maintains leading results on multiple public benchmarks.