Les grands modèles de langage s'alignent avec le cerveau humain durant la pensée créative

Résumé

La pensée créative est un aspect fondamental de la cognition humaine, et la pensée divergente – la capacité à générer des idées nouvelles et variées – est largement considérée comme son moteur génératif central. Les grands modèles de langage (LLM) ont récemment démontré des performances impressionnantes sur les tests de pensée divergente, et des travaux antérieurs ont montré que les modèles ayant une meilleure performance aux tâches tendent à être plus alignés sur l'activité cérébrale humaine. Cependant, les études existantes sur l'alignement cerveau-LLM se sont concentrées sur des tâches passives et non créatives. Ici, nous explorons l'alignement cerveau-LLM pendant la pensée créative en utilisant des données IRMf de 170 participants réalisant la tâche des usages alternatifs (AUT). Nous extrayons les représentations de LLM de tailles variables (270M-72B) et mesurons l'alignement avec les réponses cérébrales via une analyse de similarité représentationnelle (RSA), en ciblant les réseaux du mode par défaut et frontopariétal, liés à la créativité. Nous constatons que l'alignement cerveau-LLM augmente avec la taille du modèle (réseau du mode par défaut uniquement) et l'originalité des idées (les deux réseaux), les effets étant plus forts au début du processus créatif. Nous montrons en outre que les objectifs post-entraînement façonnent l'alignement de manière fonctionnellement sélective : un modèle Llama-3.1-8B-Instruct optimisé pour la créativité préserve l'alignement avec les réponses neuronales de haute créativité tout en réduisant l'alignement avec celles de faible créativité ; un modèle affiné sur le comportement humain augmente l'alignement avec les deux ; et une variante entraînée au raisonnement montre le schéma inverse, suggérant qu'un entraînement en chaîne de pensée éloigne les représentations de la géométrie neuronale créative vers un traitement analytique. Ces résultats démontrent que les objectifs post-entraînement remodèlent sélectivement les représentations des LLM par rapport à la géométrie neuronale de la pensée créative humaine.

English

Creative thinking is a fundamental aspect of human cognition, and divergent thinking-the capacity to generate novel and varied ideas-is widely regarded as its core generative engine. Large language models (LLMs) have recently demonstrated impressive performance on divergent thinking tests and prior work has shown that models with higher task performance tend to be more aligned to human brain activity. However, existing brain-LLM alignment studies have focused on passive, non-creative tasks. Here, we explore brain alignment during creative thinking using fMRI data from 170 participants performing the Alternate Uses Task (AUT). We extract representations from LLMs varying in size (270M-72B) and measure alignment to brain responses via Representational Similarity Analysis (RSA), targeting the creativity-related default mode and frontoparietal networks. We find that brain-LLM alignment scales with model size (default mode network only) and idea originality (both networks), with effects strongest early in the creative process. We further show that post-training objectives shape alignment in functionally selective ways: a creativity-optimized Llama-3.1-8B-Instruct preserves alignment with high-creativity neural responses while reducing alignment with low-creativity ones; a human behavior fine-tuned model elevates alignment with both; and a reasoning-trained variant shows the opposite pattern, suggesting chain-of-thought training steers representations away from creative neural geometry toward analytical processing. These results demonstrate that post-training objectives selectively reshape LLM representations relative to the neural geometry of human creative thought.

Les grands modèles de langage s'alignent avec le cerveau humain durant la pensée créative

Large Language Models Align with the Human Brain during Creative Thinking

Résumé

Support