English(EN) Vectors from Larger Language Models Predict Human Reading Time and fMRI Data More Poorly when Dimensionality Expansion is Controlled

更大的LLM在预测人类认知数据方面显示出收益递减

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-01 04:00

发表在arXiv上的一项新研究表明，在控制维度扩展的情况下，更大的语言模型（LLMs）不一定会提高对人类阅读时间和fMRI数据的预测能力。研究发现，当模型规模增大时，已训练LLM相对于未训练同行的预测能力会显著下降，对于大多数数据集，在数十亿参数左右下降到零。这挑战了更大、更准确的LM本身就能更好地反映人类句子处理架构的观点。 AI

影响表明简单地扩大LLM规模可能不会带来更好的人类认知模型，可能会转移研究重点。

排序理由发表在arXiv上的研究论文，详细介绍了LLM预测能力的发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 22 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 发表在arXiv上的研究论文，详细介绍了LLM预测能力的发现。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Yi-Chien Lin, Hongao Zhu, William Schuler · 2026-09-01 04:00

当控制维度扩展时，来自大型语言模型的向量对人类阅读时间和fMRI数据的预测能力较差

arXiv:2505.12196v2 Announce Type: replace Abstract: The impressive linguistic abilities of large language models (LLMs) have recommended them as models of human sentence processing, with some conjecturing a positive 'quality-power' relationship, in which language models' (LMs') f…

本文如何被排名

报道来源 [1]

当控制维度扩展时，来自大型语言模型的向量对人类阅读时间和fMRI数据的预测能力较差

相关实体

相关话题