Крупные языковые модели согласуются с работой человеческого мозга в процессе творческого мышления

Аннотация

Креативное мышление является фундаментальным аспектом человеческого познания, а дивергентное мышление — способность генерировать новые и разнообразные идеи — широко считается его основным генеративным механизмом. Крупные языковые модели (LLM) недавно продемонстрировали впечатляющие результаты в тестах на дивергентное мышление, и предыдущие исследования показали, что модели с более высокой производительностью задач, как правило, больше соответствуют активности человеческого мозга. Однако существующие исследования согласованности мозга и LLM были сосредоточены на пассивных, некреативных задачах. Здесь мы исследуем согласованность с мозгом во время творческого мышления, используя данные фМРТ 170 участников, выполняющих тест альтернативного использования (AUT). Мы извлекаем репрезентации из LLM разного размера (270M-72B) и измеряем согласованность с реакциями мозга с помощью анализа репрезентационного сходства (RSA), нацеливаясь на связанные с креативностью сети: сеть пассивного режима работы мозга и фронтопариетальную сеть. Мы обнаруживаем, что согласованность мозга и LLM масштабируется с размером модели (только для сети пассивного режима) и оригинальностью идей (для обеих сетей), причем эффекты наиболее сильны на ранних этапах творческого процесса. Мы также показываем, что цели пост-тренингого дообучения формируют согласованность функционально-избирательным образом: оптимизированная для креативности модель Llama-3.1-8B-Instruct сохраняет согласованность с нейронными реакциями высокой креативности, уменьшая согласованность с реакциями низкой креативности; модель, дообученная на человеческом поведении, повышает согласованность с обеими; а вариант, обученный на рассуждениях, демонстрирует противоположную картину, что позволяет предположить, что обучение с цепочкой мыслей уводит репрезентации от нейронной геометрии творчества в сторону аналитической обработки. Эти результаты демонстрируют, что цели пост-тренингого дообучения избирательно преобразуют репрезентации LLM относительно нейронной геометрии человеческой творческой мысли.

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.

Крупные языковые модели согласуются с работой человеческого мозга в процессе творческого мышления

Large Language Models Align with the Human Brain during Creative Thinking

Аннотация

Support