元认知比链式思维更胜一筹。最近的两篇论文表明，元认知显著提高了大语言模型（LLM）的性能，同时也提升了人类的学习和思维能力。

在一项关于数学能力的研究中，LLM将细分的数学技能分两步标记和归类为更广泛、更具解释性的类别。通过将数千个具体技能减少到一个较小、更易管理的集合，这改善了问题的解决。研究发现，在解决竞赛级数学问题（MATH数据集）时，相较于标准的链式思维（CoT）提示，性能提升了11.6%。
https://arxiv.org/abs/2405.12205

另一项关于使用“元认知提示”的研究，通过引导LLM完成结构化步骤来模仿人类反思性推理，以解释输入、做出初步判断、评估该判断，然后评估最终决策的信心。

在特定领域的数据集（如生物医学和法律）以及零样本和少样本设置中，性能提升尤为显著。GPT-4显示了最大的改进，这可能是由于它能够“理解”元认知过程。
https://arxiv.org/abs/2308.05342

例如，通过Reflection-70B显示的结果，这些方法在显著推动LLM性能方面发挥了重要作用。

不仅有望将人类的元认知方法应用于LLM，还有望让LLM进化出优越的元认知结构，供人们在自己的思维中应用。

并且，正如一贯所强调的，我们需要考虑这些元认知过程中的哪些部分最好由人类和AI分别完成，以实现下一层次的人类与AI的协同表现。