论文提出一个新机制，让大语言模型（LLM）能在每次推理后，总结自己重复用到的步骤，并把它们存为简短指令，称为"行为（Behavior）"。 Meta 又一次在 AI 推理上"开了挂"。 一份新论文显示，Meta 的研究团队找到一种让大模型"用更少思维，想得更清楚"的办法。 这篇论文名为《Metacognitive Reuse: Turning Recurring LLM Reasoning Into Concise Behaviors》，发表于 2025 年 9 月 17 日，来自 Meta 团队与普林斯 顿大学、蒙特利尔大学联合研究。 作者包括 Aniket Didolkar、Nicolas Ballas、Anirudh Goyal 与 Sanjeev Arora。 论文地址： https://arxiv.org/abs/2509.13237 下一次遇到类似问题，模型不再重复推，而是直接调用这些"行为"。 效果惊人。 在数学推理任务上，Meta 团队实测：模型在准确率不下降的前提下，推理所需的 token 数量最多减少 46%。 也就是说，同样一道题，模型少想一半，却答得一样准。 研究团队称，这让模型"学会 ...