[论文解读] MedCoG: Maximizing LLM Inference Density in Medical Reasoning via Meta-Cognitive Regulation

Yu Zhao, Hao Guan+3 more|arXiv (Cornell University)|Feb 8, 2026

Artificial Intelligence in Healthcare and Education被引用 0

一句话总结

MedCoG 引入元认知 regulator，能够自适应选择推理策略（SCoT、记忆、知识图谱）来回答医学问题，从而实现更高的推理密度与效率。它定义推理密度和推理增量效率来量化收益。

ABSTRACT

Large Language Models (LLMs) have shown strong potential in complex medical reasoning yet face diminishing gains under inference scaling laws. While existing studies augment LLMs with various knowledge types, it remains unclear how effectively the additional costs translate into accuracy. In this paper, we explore how meta-cognition of LLMs, i.e., their self-awareness of their own knowledge states, can regulate the reasoning process. Specifically, we propose MedCoG, a Medical Meta-Cognition Agent with Knowledge Graph, where the meta-cognitive assessments of task complexity, familiarity, and knowledge density dynamically regulate utilization of procedural, episodic, and factual knowledge. The LLM-centric on-demand reasoning aims to mitigate scaling laws by (1) reducing costs via avoiding indiscriminate scaling, (2) improving accuracy via filtering out distractive knowledge. To validate this, we empirically characterize the scaling curve and introduce inference density to quantify inference efficiency, defined as the ratio of theoretically effective cost to actual cost. Experiments demonstrate the effectiveness and efficiency of MedCoG on five hard sets of medical benchmarks, yielding 5.5x inference density. Furthermore, the Oracle study highlights the significant potential of meta-cognitive regulation.

研究动机与目标

• 说明为何对大型语言模型的盲目扩展在医学推理中收益递减。
• 提出一个元认知调节器，能够自我评估复杂性、熟悉度与知识密度，以选择推理策略。
• 将程序性、情节性和事实性知识解耦，以提升准确性与效率。
• 引入带有定向验证的知识图谱对地验证，以降低噪声并改善事实依据。
• 用推理密度和推理增量效率（IIE）量化推理效率。

提出的方法

• 提出 MedCoG：一个包含元认知调节器与执行器的医疗元认知代理，具有知识图谱。
• 调控器监视三个位元认知维度（复杂性、熟悉度、知识密度），并通过阈值策略 π(s) 规划策略，映射到 {Zero-Shot, SCoT, SCoT+Mem, SCoT+KG, SCoT+KG+Mem}。
• 对于事实性知识，使用 KG 验证目标与受限的 KG 搜索空间以避免噪声。
• 程序性知识通过 SCoT 处理；情节性知识从记忆案例库检索；事实性知识以医学 KG（PrimeKG）为基础进行实体对齐与路径检索。
• 评估引入推理密度 ρ 与推理增量效率（IIE）来衡量效率与成本效益。
• 在五个难度较高的医学基准上进行实验验证，MedCoG-Meta 取得更高的推理密度与 IIE。

实验结果

研究问题

• RQ1 元认知调控是否能在医学推理中改善准确性与推理成本之间的权衡？
• RQ2 复杂性、熟悉度与知识密度如何影响策略选择与性能？
• RQ3 有针对性地整合程序性、情节性与事实性知识是否优于盲目扩增？
• RQ4 元认知调控的上限边界（Oracle 研究）与按需调控的实际收益如何？
• RQ5 新指标（推理密度、IIE）如何反映推理效率的改善？

主要发现

• MedCoG-Meta 相较 Pareto 基线在推理密度上实现了 5.5× 的提升。
• 在 MedCoG 内的 Oracle 风格策略选择接近最优性能，显示出强大的上限潜力。
• 记忆 + 知识图谱的协同在难例上提升了性能，而单独使用 KG 或记忆会降低性能。
• MedCoG-Meta 在困难医学基准上获得了最高的推理增量效率（IIE）相较基线。
• 元认知分布依赖于骨架模型与数据集，呈现域自适应调控的收益。