neurotechnology
NARI
2026BadawczyOpublikowano: 29 września 2026Aktualizacja: 29 września 2026Opublikowany
Metoda z rodziny brain-guided LLM: wyznacza kierunki interwencji z danych fMRI (regresja grzbietowa) i modyfikuje ukryte reprezentacje modelu w czasie inferencji.
Kluczowa
innowacja
Technika interwencji na reprezentacjach LLM w kierunkach wyznaczonych na podstawie aktywności mózgu (fMRI), by wzmocnić odporne rozumowanie bez douczania wag.
Kategoria
neurotechnology
Poziom abstrakcji
Wzorzec
Poziom operacji
InferencjaPo-trening
Zastosowania
Wzmacnianie odpornego rozumowania dedukcyjnegoSterowanie reprezentacjami LLM w czasie inferencjiBadania NeuroAI (mózg jako sygnał nadzoru)Interwencje bez douczania wag
Jak działa
Z aktywacji modelu i odpowiedzi fMRI (bety z GLMSingle, wybrane regiony: sieć rozumowania dedukcyjnego, sieć językowa, multiple-demand) buduje się przez regresję grzbietową odwzorowanie reprezentacja→mózg. Optymalizacja (cosine/mse/pearsonr) wyznacza kierunki interwencji, które następnie dodaje się do ukrytych stanów (skalowanie 0–1.0+) w czasie inferencji, sterując zachowaniem modelu bez zmiany parametrów.
Rozwiązany problem
LLM bywają kruche w rozumowaniu i rozjeżdżają się z ludzkim przetwarzaniem. NARI wprowadza „biologicznie umocowane" kierunki w reprezentacjach, by rozumowanie było bardziej odporne — bez kosztownego douczania.
Komponenty
Odwzorowanie reprezentacja→fMRI (ridge)Wyznaczanie kierunków
Regresja grzbietowa łącząca stany modelu z odpowiedziami mózgu.
Kierunek interwencjiSterowanie
Wektor w przestrzeni reprezentacji dodawany do ukrytych stanów.
Ewolucja
Oryginalny paper · 2026 · Nature Machine Intelligence 2026 · Peking University (pkuxmq)
Beyond representational alignment with brain-guided language models for robust reasoning
Peking University (pkuxmq)
2026
Brain-guided language models (Nature Machine Intelligence) wprowadzają NARI
Punkt przełomowy