基于认知拥挤的大语言模型多维认知状态建模
计算与语言
2026-04-21 v1
摘要
建模人类认知状态是人工智能领域的关键任务。现有的大型语言模型(LLM)主要处理情感分析或立场检测等孤立任务，无法捕捉心理学中定义的情感、思维方式、立场和意图等认知维度之间的相互作用。为弥合这一差距，我们构建了 CognitiveBench——首个覆盖上述四个维度的统一标注基准数据集。在 CognitiveBench 上的实验表明，尽管 LLM 在单一维度任务中表现良好，但在联合的多维建模中性能显著下降。利用 Gromov -超曲度分析发现，CognitiveBench 具有强烈的层次结构。我们将性能瓶颈归因于“认知拥挤”——层次化认知状态需要指数级的表示空间，而 LLM 的欧几里得空间仅呈多项式增长，导致表示重叠和性能下降。为解决这一矛盾，我们提出了 HyCoLLM，通过双曲空间建模认知状态并利用双曲引导对齐调优实现 LLM 表示对齐。结果表明，HyCoLLM 在多维认知理解方面显著优于基线模型，包括 GPT-4o，即便仅使用 8B 参数模型也能取得优异性能。
引用
@article{arxiv.2604.17174,
title = {Modeling Multi-Dimensional Cognitive States in Large Language Models under Cognitive Crowding},
author = {Lin Zhong and Siyu Zhu and Zizhen Yuan and Jinhao Cui and Xinyang Zhao and Lingzhi Wang and Hao Chen and Qing Liao},
journal= {arXiv preprint arXiv:2604.17174},
year = {2026}
}
备注
Accepted at ACL 2026