认知专家语言模型与对应脑系统对齐更好吗？

单一模型覆盖全脑会掩盖功能分化

典型的模型—大脑对齐研究用一个语言模型拟合许多脑区，再把预测表现跨区域平均。这种设计把大脑当成一个整体目标，而论文指出，大脑由部分专门化的系统组成，分别支持感觉加工、抽象意义、空间导航、计算、推理和思考他人。本研究提出一个更窄的问题：如果把模型推向某一个认知域，它是否与专门负责该域的脑系统对齐得更好？

作者用编码模型回答这个问题。参与者听或读语言材料时，fMRI 记录其脑活动，同一批语言材料也输入模型，得到模型的内部表征。作者用岭回归在训练刺激上拟合一个线性映射，用它预测留出的脑反应，对齐程度就是预测反应与实际反应之间的皮尔逊相关系数。如果一个模型能较好地预测某个脑区，就被认为捕捉到了该脑区所表征的刺激特征。

每个基础模型派生六个专家，两种做法

这里的专家，是指针对某一个认知域专门化的基础模型变体；家族则指在同一基础模型、同一种干预方式下得到的六个专家。作者用两种方式构建专家。提示是在输入中加入一段固定的系统提示，指明领域，但不改动模型权重。微调是在该领域的指令—回答对上训练 LoRA 适配器，并在挑选检查点时设一道约束，使通用文本的困惑度接近基础模型，从而不让专门化牺牲通用语言能力。

两种干预都施加在三个基础模型上——LLaMA-3-8B、Qwen3-8B 和 Phi-4-14B——每个基础模型各得到一个提示家族和一个微调家族，每个家族都包含感觉、空间、数字、推理、社会和抽象概念六个领域的专家。在使用任何脑数据之前，每个专家都必须先表现出行为层面的专门化。微调专家用留出领域文本上的困惑度检验：在六个专家中，每个专家对自己领域的文本改善最大，相对基础模型的平均同域改善为 22% 至 40%。提示专家则检验其生成内容：让它们续写中性的故事开头，用去掉指令词的领域词表打分，并由一个看不到提示的独立 LLM 评判员评分。按词表指标，匹配专家每 100 个词中产出的本领域词比基础模型分别多 3.7、1.9 和 3.1 个，对应 LLaMA、Qwen 和 Phi-4。

脑区来自元分析而非手工挑选

六个领域的脑区来自 Neurosynth，这是对 fMRI 文献的自动元分析。对每个领域，作者合并一小组相关术语的图谱，并在统一模板上阈值化为二值掩膜，得到一个由若干区域组成、彼此不必相连的网络。这些掩膜被投影到每个参与者的功能空间。Pereira 数据集则提供了五个功能网络的划分——语言、多重需求、默认模式、视觉和听觉——作者把每个网络分配给一个领域，用来替代 Neurosynth 脑区。

对齐在三个 fMRI 数据集上评估：三名密集采样的参与者听口头叙事（LeBel）、49 名英语参与者阅读《小王子》（LPP），以及十名参与者逐句阅读段落（Pereira）。前两个是自然叙事，在同一个理解任务中调动许多区域的多种认知加工；第三个检验该效应在更受控的逐句格式下是否仍然存在。

位移统计量衡量排名而非原始精度

主要统计量是位移。对每个脑系统，作者按各专家在该区域内相对于区域外的预测优劣，给同一家族的六个专家排名：先对每个体素减去家族内跨专家的均值，再把每个专家的编码精度分别在区域内和区域外平均，最后按两者之差给六个专家排名。位移取每个脑区自身专家的排名（1 为最好），跨区域平均后，用 3.5（1 到 6 的中点）减去该平均排名。0 表示随机水平，正值表示匹配专家排名更靠前。

由于六个专家分配到六个脑区恰好有 720 种方式，零分布是精确的，p 值就是重标号中得分不低于实际得分的比例；在 Pereira 的五个网络上，重标号有 120 种，随机排名为 3.0。作者还报告 Δr，即用相关系数单位表达的同一比较：专家在匹配区域内的平均编码精度减去其他五个专家的平均精度，跨区域平均并在参与者间检验。位移只保留专家在区域内相对区域外的优势排名，Δr 则保留该优势在区域内的幅度。两者相关，但不能互相替代。

每个家族中匹配专家排名更靠前

与假设一致，每个专家的表征与对应领域最相关的脑系统对齐得比其他专家更紧密。这一效应在提示和微调两种方式下、三个基础模型和三个 fMRI 数据集上都成立。作者报告，该效应在超参数扫描下也成立：经过同样的扫描，重标号专家达到的平均位移为 +0.31，而实际专家为 +0.55（p = .0002）。

讨论部分指出，这一结果对脑系统主要位于语言网络之外的领域同样重要。换言之，对齐的移动并不局限于语言模型本来就会捕捉的区域。论文把这视为证据，说明专门化把模型的表征推向对应的脑系统，而不只是改善了语言区的预测。

无认知内容的干预无法复现该移动

为检验对齐是否特异于认知内容，作者用相同的构建流程建立了五个不含认知内容的对照家族：随机 LoRA，即与认知适配器范数匹配的未训练适配器；仅种子，即在一个混合六个领域的汇总数据集上训练的六个适配器，只在采样和初始化上不同；随机提示，即让模型成为斑马条纹解剖学或老式打字机修复等领域专家的系统提示；表面形式，即在风格变换文本（如黑客语和海盗英语）上训练的适配器；以及关键词条件，即只给每个领域的裸词表、不给指令。

每个对照家族都经过同一套编码流程。由于对照家族没有真实的专家—脑区对应关系，把其成员按所有可能方式分配到各脑区，就得到一个以零为中心的位移零分布。作者随后检验专家家族是否超过该分布，把每个认知结果与一个无内容对照以及一个共享同一干预方式的对照比较。报告的结果是，非认知和表面层面的干预没有产生可比的对齐，这支持了如下解释：该移动与认知领域内容相关，而不是与对模型施加干预这一行为本身相关。

专门化改变区域分布而总体精度不变

专门化改变了区域对齐，而总体预测精度基本不变。对于用单一汇总数字评估模型的读者，这是论文中最关键的比较：一个模型在整体脑预测上可能与另一个模型看起来相当，但它在各区域间分配精度的方式不同。作者据此认为，跨区域汇总对齐可能掩盖特定模型在区域间的表现差异。

讨论部分还给出作者从提示结果中得出的解释：提示不改变任何权重，却与微调效果大致相当，因此专门化可能放大了仅用文本训练的模型中已经存在的表征结构。这是作者的解释，而不是单独测量的机制。实际含义来自论文自身的变量：比较模型的脑对齐时，选择哪个脑区、模型专门化与脑系统是否匹配都很重要，单看汇总分数会掩盖这种差异。

六领域设计能回答与不能回答什么

结论受所测领域和所用脑区的限制。六个领域是感觉、空间、数字、推理、社会和抽象加工，脑区来自 Neurosynth 术语图谱，或在 Pereira 上使用五网络划分并为每个领域分配一个网络。位移统计量只把每个专家与同家族其他五个专家比较，因此它衡量的是该集合内的相对排名，而不是与某个脑系统的绝对对齐。基于 720 种重标号（Pereira 上为 120 种）的精确置换检验意味着位移 p 值不依赖采样种子，但并不能把结论扩展到所测模型、数据集和领域定义之外。

最有用的结论是一条比较规则，而不是一个普遍判断：在这一设计内，针对某个认知域专门化的模型是匹配脑系统的更好预测者，而且这种优势体现在区域排名上，即使总体精度没有变化。因此，比较模型的脑对齐时，读者应追问模型是对着哪个脑区评分，以及模型是否针对该领域专门化，因为论文的证据显示这些选择会改变排名，而单一平均分数可能把它掩盖。

本文引用的文献