神经科学与认知科学
突破级
暂无讲解视频
收录解读
这篇 Nature Communications 论文直接质疑 LLM-brain alignment 研究中的方法学稳健性。
作者跨多个模型、方法和三个常用神经数据集分析 neural predictivity，发现 shuffled train-test splits 曾导致有影响力但虚假的结论。
他们还显示 LLM activation extraction 选择会偏向特定模型类别，而 position signal 和 word rate 等混杂变量可与训练好的 LLM 竞争，甚至解释 untrained LLM 的神经预测性。
它值得收录，因为它为 NeuroAI 和认知神经科学中的模型-大脑相似性分析提供了重要方法学边界，防止把 confound 当成智能机制。