提出四阶段实验范式,提供因果证据表明大语言模型能利用内部置信度信号驱动拒答(abstention)行为:模型基于置信度应用隐式阈值决策、置信度是拒答的主导预测因子、通过激活引导可因果调控拒答率、且能根据指令阈值主动部署置信度策略,揭示了类生物的两阶段元认知控制机制。
机构:DeepMind
来源:arXiv 2603.22161 | AI4Papers 论文推荐平台