研究提出模型自适应工具必要性定义并揭示知行差距

2026年10月26日，arXiv Artificial Intelligence 刊出 Yize Cheng 等作者的研究，提出一种“模型自适应”的工具必要性定义，即按各模型自身的实际表现来界定何时需要调用工具，而非采用统一标准。研究在四个模型的算术与事实问答任务上检验工具调用行为与必要性判断的一致性，发现错配率分别达 26.5-54.0% 和 30.8-41.8%。作者进一步探测模型隐藏状态，发现模型对工具必要性的认知信号与驱动实际调用的信号在末层末 token 处近乎正交，多数错配集中在从认知到行动的转换环节，而非认知本身，据此将这一现象概括为 LLM 工具使用中的“知行差距”。目前报道仅涵盖该研究的定义提出与诊断结果，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。