北大清华微软研究：脑信号可引导LLM推理，准确率最高提升13.2%

机器之心 · wechat · 2026-09-26

北大、清华与微软亚洲研究院在 Nature Machine Intelligence 发表研究，系统探究语言模型与人脑在演绎推理上的表征关系，并提出「神经引导」方法。

核心发现：

用 Qwen、Llama、Mistral、Phi、Gemma 等 10 个开源模型（1.5B–72B）处理三段论与传递关系推理的 fMRI 数据，模型表征平均可解释推理相关脑区约 76% 的可解释方差，且推理脑区与多重需求网络的可预测性显著高于核心语言网络；但按推理类型细分后降至约 27%，说明只是部分对齐。
NARI（推断时干预）：学习模型隐藏状态到 fMRI 空间的线性映射，对模型错而人对的题计算神经引导方向并干预中间层表征，实现 100% 纠错覆盖，聚合出的通用方向还能跨模型、跨问题迁移。
NARF（训练时微调）：将引导方向内化到参数，模型在不同前提数量、顺序及新逻辑类型上稳定提升，且与常规语言监督互补——联合训练平均提升约 2.2 个百分点，最高达 13.2 个百分点。

研究将「模型与大脑是否相似」推进到「脑信号能否改善模型」，为脑启发 AI 提供新路径；局限在于 fMRI 时间分辨率有限、实验集中在基础演绎推理。

「模型」频道最新