AICML · 2026
Abstraction Induces the Brain Alignment of Language and Speech Models
Emily Cheng, Aditya R. Vaidya, Richard Antonello
ICML 2026 主会 · OpenReview
字号
OVERVIEW
论文概览
利用语言与语音模型的训练轨迹说明：中间层之所以更接近脑活动，关键可能是语义抽象而非下一词预测本身。
ABSTRACT
中文摘要
语言和语音模型的中间层往往最能预测 fMRI 或 ECoG 响应，但其原因并不清楚。作者比较模型层级、训练阶段、内在维度与语义信息，发现脑对齐与表征抽象程度同步增加，而不是简单随下一词预测性能变化。该关系在预训练过程中逐步出现；进一步用脑数据微调模型，会因果性地提高相关层的内在维度和语义内容。结果支持一种解释：模型与大脑的对齐来自对跨表面形式共享意义的抽象。
RESEARCH RELEVANCE
与你研究的关系
它示范如何用训练好的统一模型反推神经计算机制，并提示 brain–language 共享空间应重点建模语义抽象层级。
LIMITATIONS
局限与核查重点
表征维度与语义探针仍是间接指标；脑对齐的提高不能完全排除数据与刺激统计共同造成的相关性。
SOURCE
来源与原文
ICML 2026 主会 · OpenReview
Emily Cheng, Aditya R. Vaidya, Richard Antonello. Abstraction Induces the Brain Alignment of Language and Speech Models. ICML 2026 主会 · OpenReview. https://openreview.net/forum?id=n5Ds4qbtjM