新论文提出元认知可靠性监督：教 LLM 仅在必要时检索

一篇 arXiv 论文提出“元认知可靠性监督”框架，训练 LLM agent 判断何时需要检索、何时可直接继续推理。该框架以“当前状态可靠性”和“检索动作分”组成过程奖励，并接入 GRPO 类强化学习，使模型偏向在确有必要且检索结果有贡献时使用外部信息。