MedCoG：通过元认知调节最大化医学推理中的LLM推理密度

大型语言模型（LLMs）在复杂医学推理中展现出巨大潜力，但在推理扩展定律下效果逐渐减弱。现有研究虽尝试通过增加知识类型来增强LLMs，但额外成本转化为准确性的有效性尚不明确。本文提出MedCoG，一种结合知识图谱的医学元认知代理，利用任务复杂度、熟悉度和知识密度的元认知评估动态调节程序性、情景性和事实性知识的使用。该方法旨在通过减少不必要的扩展和过滤干扰知识来提高推理效率。实验表明，MedCoG在五个医学基准数据集上实现了5.5倍的推理密度提升，验证了其有效性和效率。此外，Oracle研究表明元认知调节具有显著潜力。