Robocikowo>ROBOCIKOWO
neurotechnology

Brain-guided Language Models

2026BadawczyOpublikowano: 29 września 2026Aktualizacja: 29 września 2026Opublikowany
Podejście łączące neuroobrazowanie (fMRI) z LLM (metody NARI/NARF), wykraczające poza samą zgodność reprezentacyjną ku odpornemu rozumowaniu.
Kluczowa innowacja
Paradygmat, w którym dane o aktywności mózgu (fMRI) są sygnałem prowadzącym reprezentacje modelu językowego — nie tylko do pomiaru zgodności, ale do realnej poprawy odporności rozumowania.
Kategoria
neurotechnology
Poziom abstrakcji
Paradygmat
Poziom operacji
ModelTreningPo-trening
Zastosowania
Poprawa odporności rozumowania LLMWykorzystanie fMRI jako sygnału nadzoruBadania NeuroAI i predykcyjności neuronowejSterowanie/dostrajanie reprezentacji (NARI/NARF)

Jak działa

Rejestruje się fMRI podczas zadań rozumowania dedukcyjnego; przez regresję grzbietową buduje odwzorowanie reprezentacja LLM→mózg i wyznacza kierunki zgodne z aktywnością mózgu. Kierunki te stosuje się jako interwencję w inferencji (NARI) lub sygnał nadzoru w dostrajaniu (NARF), a jakość ocenia m.in. neuronową predykcyjnością i testami generalizacji rozumowania.

Rozwiązany problem

Zgodność reprezentacyjna modeli z mózgiem jest opisowa, ale nie gwarantuje lepszego rozumowania. Ten paradygmat zamienia sygnał mózgowy w narzędzie realnie poprawiające odporność LLM.

Komponenty

Dane fMRI z zadań rozumowaniaSygnał prowadzący

Odpowiedzi mózgu (bety GLMSingle) z wybranych regionów.

Metody NARI i NARFRealizacja paradygmatu

Interwencja w inferencji oraz dostrajanie reprezentacji.