L'apprentissage par renforcement avec rétroaction métacognitive suscite une expression fidèle de l'incertitude dans les LLMs

Résumé

La métacognition est un élément essentiel de l'intelligence, décrivant la capacité à surveiller et à réguler ses propres processus cognitifs. Pourtant, les LLM présentent des déficiences systémiques dans des facultés métacognitives clés : ils hallucinent avec une grande confiance, échouent à reconnaître les limites de leurs connaissances et représentent mal leur incertitude interne, ce qui compromet leur fiabilité et leur crédibilité. Étant donné que la surveillance de la performance des tâches et l'adaptation du comportement en conséquence sont au cœur de la métacognition, nous postulons que les modèles capables de juger avec précision leur propre performance sont mieux placés pour l'améliorer. Nous opérationnalisons cette idée via deux mécanismes novateurs : l'apprentissage par renforcement avec retour métacognitif (RLMF), un paradigme visant à affiner les classements des complétions lors de l'optimisation des préférences en se basant sur la qualité des auto-évaluations de performance du modèle, et la sélection métacognitive de données, qui utilise des auto-évaluations similaires pour identifier les exemples d'entraînement à haute valeur, surpassant ainsi l'apprentissage actif naïf. Nous appliquons ces innovations au problème de la calibration fidèle (FC), une tâche qui est elle-même fondamentalement métacognitive : l'objectif est d'aligner l'incertitude exprimée avec l'incertitude intrinsèque, ce qui est difficile même pour les LLM de pointe. Nous adoptons une approche découplée en deux étapes, utilisant d'abord ces méthodes pour calibrer la fiabilité des scores de confiance auto-rapportés des modèles, puis en mappant ceux-ci à une incertitude linguistique naturelle et adaptable au contexte via une édition ciblée des sorties. Des expériences approfondies montrent que le RLMF atteint une FC de pointe et généralisable sur diverses tâches, tout en préservant la précision. De plus, le RLMF dépasse le RL standard jusqu'à 63 % tout en améliorant la capacité des modèles à évaluer et à exprimer leurs propres limites de capacité. Cela positionne le RLMF comme un paradigme prometteur pour améliorer la métacognition des LLM en vue de meilleures capacités et d'un meilleur alignement, et suggère que la performance métacognitive constitue un signal RL efficace pour surmonter les limites des méthodes antérieures de retour intrinsèque.

English

Metacognition is a critical component of intelligence that describes the ability to monitor and regulate one's own cognitive processes. Yet LLMs exhibit systemic deficiencies in key metacognitive faculties: they hallucinate with high confidence, fail to recognize knowledge boundaries, and misrepresent their internal uncertainty--undermining trustworthiness and reliability. Since monitoring task performance and adapting behavior accordingly are central to metacognition, we posit that models capable of accurately judging their own performance are better positioned to improve it. We operationalize this idea via two novel mechanisms: reinforcement learning with metacognitive feedback (RLMF), a paradigm to refine completion rankings during preference optimization based on the quality of a model's self-judgments of performance, and metacognitive data selection, which uses similar self-judgments to identify high-value training examples, outperforming naive active learning. We apply these innovations to the problem of faithful calibration (FC), a task that is itself fundamentally metacognitive: the goal is to align expressed with intrinsic uncertainty, difficult even for frontier LLMs. We adopt a two-stage, decoupled approach, first using these methods to calibrate the faithfulness of models' self-reported confidence scores, then mapping to natural, context-adaptable linguistic uncertainty via targeted output editing. Extensive experiments show RLMF achieves generalizable, state-of-the-art FC on diverse tasks while preserving accuracy. Further, RLMF surpasses standard RL by up to 63% while enhancing models' ability to assess and express their own capability limits. This positions RLMF as a promising paradigm to enhance LLM metacognition toward improved abilities and alignment, and suggests metacognitive performance as an effective RL signal to overcome limits of prior intrinsic feedback methods.