认知负荷痕迹：深度模型认知的符号与可视化账户
人工智能
2025-10-21 v1
摘要
我们提出认知负荷痕迹（Cognitive Load Traces, CLTs），作为深层模型的中间层可解释性框架，灵感来自人类认知中的认知负荷理论。CLTs被定义为量化模型内部资源分配的符号化、随时间变化的函数。形式上，我们将CLTs表示为三个分量的随机过程（IL_t, EL_t, GL_t），分别对应内在负荷（Intrinsic）、外在负荷（Extraneous）和 germane 负荷（Germane）。每个分量通过可测量的代理指标实现，如注意力熵、KV缓存未命中率、表示离散度和解码稳定性。我们提出了符号公式和可视化方法（负荷曲线、单形图），以实现推理动力学的可解释分析。在推理与规划基准测试中实验表明，CLTs能预测错误发生时刻，揭示认知策略，并实现基于负荷的干预，使推理效率提升15%-30%，同时保持准确率。
引用
@article{arxiv.2510.15980,
title = {Cognitive Load Traces as Symbolic and Visual Accounts of Deep Model Cognition},
author = {Dong Liu and Yanxuan Yu},
journal= {arXiv preprint arXiv:2510.15980},
year = {2025}
}