.png){kind=icon}
返回
Beyond representational alignment with brain-guided language models for robust reasoning
.png){kind=icon}
PRE
AI
DOI：10.1038/s42256-026-01278-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型语言模型（LLMs）与人类高级认知的神经机制之间的对应关系仍需进一步阐明。鉴于人类大脑中的语言和推理过程似乎可以分离，一个开放性问题是LLMs是否与推理相关区域的神经信号对齐，以及这些信号能否提升模型性能。本研究聚焦于演绎推理，我们发现LLM的内部表征不仅与任务相关的功能磁共振成像（fMRI）活动部分对齐，还能被这些信号直接增强。通过使用神经预测性指标，我们发现LLMs在聚合层面上解释了推理相关区域中可解释方差的大部分，但在特定推理类型中的预测性较低，表明对齐与分歧并存。基于此，我们提出了一种脑引导框架：我们沿着由模型和脑表征的联合结构所诱导的方向引导模型表征，在推理阶段进行干预，并在训练过程中进行微调。我们证明，任务诱发的脑信号可以直接提升LLM的推理能力，在十个LLM（参数量1.5B–72B）中实现了与纯语言监督正交的增益，并能在不同推理类型间迁移，最高绝对准确率提升13%。我们的研究将LLM与脑的对应关系从相关性推进到引导性，建立了一条由脑信号驱动的路径，以实现更稳健且认知对齐的人工智能。Xiao等人发现，大型语言模型在演绎推理过程中与人类脑活动部分对齐。他们进一步证明，脑信号可以直接引导并提升模型性能，且能在不同推理类型间迁移。
期刊
IF:
23.9
论文数:
1.3K
被引数:
1.5W
机构
引用论文
Towards spike-based machine intelligence with neuromorphic computing基于神经形态计算的基于尖峰的机器智能.png)
Nature
NatureIF0
PREAI
分享收藏A unified acoustic-to-speech-to-language embedding space captures the neural basis of natural language processing in everyday conversations统一的声学-语音-语言嵌入空间捕获日常对话中自然语言处理的神经基础NATURE HUMAN BEHAVIOUR
OAAI
NATURE HUMAN BEHAVIOURIF15.9
OAAI分享收藏Human-like object concept representations emerge naturally in multimodal large language models类人的对象概念表示在多模态大型语言模型中自然出现OAAI
OAAI分享收藏分享收藏The Brain Network for Deductive Reasoning: A Quantitative Meta-analysis of 28 Neuroimaging Studies
OAAI
OAAI分享收藏
查看更多内容