Nat Commun | 大模型真的像大脑吗？稳健编码方法学下的再检验

● 认知神经科学前沿文献分享

论文信息：Spurious alignment between large language models and brains can emerge from non-robust methods and overlooked confounds

发表时间：2026-04-27

发表期刊：Nature Communications

01 模型能预测大脑，就说明它像大脑吗？

大语言模型（Large Language Model，LLM）加工语言的方式和人脑相似吗？常用的检验方法是神经编码（neural encoding）：把被试读过或听过的语言材料输入模型，提取各层的内部表征，再用线性回归预测脑响应。预测越准，越容易被解读为模型与大脑“对齐”

这一方向上影响最大的工作来自 Schrimpf 等人（2021）。他们比较了 43 个模型，发现 GPT2XL 的预测力最高，而且模型的下一词预测能力越强，对脑响应的预测也越准，作者据此认为预测性加工塑造了语言理解。未经训练的 transformer 表现也不错，这又被用来说明架构本身带有类脑偏置

这篇 Nature Communications 研究在 Schrimpf 等人用过的三套数据上重新做了分析：Pereira2018（fMRI，逐句阅读）、Fedorenko2016（ECoG，逐词阅读）和 Blank2014（fMRI，收听故事）。作者关心的是这条推断背后的方法前提，测试集怎么切分，激活怎么提取，最简单的混淆变量有没有控制，这些选择都可能改写结论

02 一套“再检验”是怎样搭起来的？

由于作者做的是一套再检验，他们沿用了现有的编码分析流程，把其中几项方法选择当作变量逐一替换，再加入专门设计的简单基线和方差分解，看 LLM 的预测力有多少真正属于它自己

测试集怎么切？

相邻句子的脑响应本来就相似，其中一部分只来自时间上的接近。打乱划分（shuffled splits）随机分配样本，测试句的“邻居”常常落在训练集里，模型只要把时间相近的样本表示得相似，就能拿到分数。连续划分（contiguous splits）则把整段、整句或整个故事留作测试集

激活怎么取？

一个神经样本往往对应多个 token，作者并列比较了三种池化方式：末 token 池化（last-token pooling，也是 Schrimpf 等人的做法）、均值池化（mean pooling）和求和池化（sum pooling）

拿什么当对照？

正交自相关序列模型（OASM）只编码样本在时间上的相邻关系：不同段落或故事的表征彼此正交，同一段落内的相邻样本彼此相似，按构造它在连续划分下的预测力为 0。位置信号与词率（PWR）编码样本在段落、句子或故事中的位置，以及每个样本包含的词数，静态词向量 GloVe 则作为词汇语义基线

作者还用方差分解定义了指标 Ω，表示 LLM 的预测力中有多大比例可以被基线覆盖，越接近 100%，LLM 的独有贡献就越小

03 换成稳健做法之后，看到了什么？

打乱划分下，只懂“时间相近”的模型能打平 GPT2XL 吗？

可以。在接近 Schrimpf 等人的设置下，OASM 在三套数据上的预测力都与 GPT2XL 相当甚至更高。方差分解显示，OASM 能解释 GPT2XL 预测力的 50% 到接近 100%。划分方式甚至会改变最佳层的位置，打乱划分偏向早期层和末端层，连续划分偏向中间层

图 1｜两种划分下的对比。a 为打乱划分，b 为连续划分；每组左侧为普通最小二乘（OLS）回归，右侧为 L2 正则化回归。每个点代表一名被试在语言网络内的平均预测力（Pearson r），柱为被试均值。-LAST、-MEAN、-SUM 分别对应末 token、均值和求和池化；Fed2016 即 Fedorenko2016。星号表示 GPT2XL 显著高于 OASM

Schrimpf 等人的核心结论，还剩几条？

改用连续划分、并为每个模型选用最佳池化之后，单向 transformer 相对双向 transformer 和 RWKV 循环网络的优势变得很不稳定。末 token 池化本身就偏袒单向模型，在 Pereira2018 中，用这种池化时有 51.1% 的比较显著偏向单向模型，换成其他池化后降到 10% 以下。“下一词预测能力越强、神经预测力越高”这一关系，也只在把静态词向量纳入比较时才显著，放到上下文模型内部就失去了显著性

LLM 还剩多少“独有”的预测力？

连续划分下，简单基线仍覆盖了 GPT2XL 的大部分预测力，三套数据的 Ω 分别超过 85%、超过 80% 和接近 100%，加入 GPT2XL 后显著改善的只有约 3.4% 的体素和 4.7% 的电极。未经训练的 GPT2XL 结果更明确，Ω 超过 98%，此前归因于架构偏置的预测力，在这些数据上可以完全用位置和词率来解释

图 5｜连续划分下 GPT2XL 与基线的比较。a 为各模型的神经预测力；b 为 Pereira2018 左半球语言网络的玻璃脑图；c 在体素、电极和 fROI 层面比较两者；d 为 R² 与 Ω；e 为加入 GPT2XL 后显著改善的比例。Pereira2018 的基线为 PWR + GloVe，其余两套为 PWR

时间自相关、池化偏差和低层混淆被逐一剥离之后，LLM 真正多出来的那部分信息才能被准确地看到

04 我的数据，适合做同样的检查吗？

如果研究准备从“模型表征能预测脑响应”推出“模型与大脑共享某种属性”，或者要在不同模型、层级和训练目标之间比较谁更类脑，都值得先做一遍这套检查，fMRI、ECoG、EEG、MEG 数据配合任意深度网络都可以套用

实际操作时，有时间结构的数据可以按段落、故事或扫描 run 连续切分，并写明每一折的构造方式。一个样本对应多个 token 时，最好并列报告几种池化的结果。位置、词率和刺激时长这类低层变量可以写成基线，再用联合模型和 Ω 检查 LLM 的增量是否依然显著。LLM 单独解释的方差很小时，Ω 最好结合逐体素或逐电极的检验一起看

原研究还比较了 45 个模型，并检验了词汇语义与句法表征能否被位置和词率解释，感兴趣的读者欢迎阅读原文

分享人：小虎
审核：PsyBrain 脑心前沿编辑部

● 原文信息与获取方式

DOI：10.1038/s41467-026-72253-7

获取原文：

1. 三连后添加小助手：PSY-Brain-Frontier 获取

版权归属作者团队和出版社，本文仅做分享