Autorefleksja jest powszechnie uważana za sposób na poprawę rozumowania dużych modeli językowych, ale dotychczas nieznane były jej faktyczne sterowniki. Międzynarodowy zespół badaczy przeprowadził kontrolowaną ablację sześciu warunków, aby wyizolować cztery komponenty autorefleksji: ekspozycję na dowody, scaffolding diagnostyczny, słownictwo taksonomii i routing akcji. Wyniki były precyzyjne i zaskakujące.
Dwa kluczowe testy zerowe wskazały na jeden mechanizm. Po pierwsze, strukturalne pytania diagnostyczne nie dodały żadnej mierzalnej wartości w porównaniu z nieustrukturyzowaną refleksją (F1 = 0,296 vs 0,297, p = 1,000). Po drugie, prezentacja pełnej taksonomii niepewności przy zcollapseowaniu przestrzeni akcji do jednej generycznej akcji również nic nie zmieniła. Jednak typed action routing dostarczył konsekwentne zyski - F1 wzrosło do 0,379, co daje przyrost o +0,075 w konserwatywnym szacunku. Całkowity zysk w porównaniu z baseline'm to +0,101 z istotnym statystycznie 95-procentowym przedziałem ufności.
Wyniki replikowały się na GPT-4o, potwierdzając uniwersalność mechanizmu. Słownictwo taksonomii nie miało znaczenia (p = 0,773), natomiast action routing przyniósł istotne zyski (p = 0,025). Maksymalne efekty obserwowano na strukturalnie nowych konfliktach - w Myanmar F1 skoczył z 0 do 0,353, a na Ukrainie również osiągnięto znaczące ulepszenia. To badanie wskazuje, że projektanci systemów AI powinni skupić się na precyzyjnym routingu akcji zamiast inwestować w złożone struktury diagnostyczne.