Нейро-выравнивание ИИ: новый стандарт оценки
Команда исследователей во главе с Ираном Хуангом (Yiran Huang) представила работу, опубликованную 15 октября 2026 года в arXiv (cs.AI), где впервые масштабно оценила способность мультимодальных больших языковых моделей (MLLM) имитировать человеческое понимание социальных и эмоциональных контекстов. Ключевой метрикой стала не просто точность текста, а нейропредиктивная ценность — способность оценок модели коррелировать с реальными данными фМРТ (функциональной магнитно-резонансной томографии).
Методология: Diffusion vs Autoregressive
В эксперименте сравнивались два архитектурных подхода к MLLM: диффузионные и авторегрессионные модели. Субъектам демонстрировали три коротких мультфильма, после чего проводились:
- Поведенческие анализы с временным выравниванием оценок (корреляции Пирсона).
- Построение регрессионных моделей для каждого участника, использующих оценки ИИ для предсказания региональной активности мозга.
Ключевые результаты: Эмоции vs Теория разума
Исследование выявило четкое разделение в эффективности моделей. MLLM лучше справлялись с предсказанием аффективной валентности (положительный/отрицательный эмоциональный фон), чем с Теорией разума (ToM) — пониманием намерений и мыслей персонажей. При этом модели демонстрировали систематические различия в распределении оценок по сравнению с людьми.
| Метрика / Аспект | Результат исследования | Значение для AI |
|---|---|---|
| Совпадение с мозгом (fMRI) | Сильнее для валентности, слабее для ToM | ИИ лучше «чувствует» эмоции, чем социальные намерения |
| Влияние контекста | Предыдущие сцены улучшали выравнивание | Контекстная память критична для точности |
| Мультфильм «The Present» | Больше регионов мозга предсказано ИИ, чем людьми | ИИ может улавливать нюансы, неочевидные для наблюдателя |
| Пространственное перекрытие | В основном между разными MLLM, а не с людьми | Модели «думают» похоже друг на друга, но иначе людей |
Нейробиологические маркеры
Пересечение активаций между оценками человека и ИИ было ограниченным и затрагивало преимущественно зрительные области, дорсально-внимательную сеть и заднюю сеть пассивного режима работы мозга (DMN). Это указывает на то, что ИИ обрабатывает визуальный и базовый эмоциональный контент схожим образом, но глубинная социальная когнитивная обработка остается зоной человеческой специфики.
Вывод: Масштабируемость против точности
Авторы заключают, что MLLM являются мощным инструментом для создания масштабируемых аннотаций, предсказывающих мозговую активность. Однако для задач, требующих точного понимания социальных нюансов (ToM), необходимо учитывать систематические расхождения между моделями и человеческими суждениями. Результаты зависят как от конкретной модели, так и от стимула (мультфильма).
Источник: arXiv cs.AI ↗