简洁导航、深层对齐：Mouse vs. AI 2025 的获奖方案

视觉鲁棒性和神经对齐是开发能够匹配生物视觉系统的人工智能体的关键挑战。我们展示了 Team HCMUS_TheFangs 在 NeurIPS 2025 Mouse vs. AI: Robust Visual Foraging Competition 中两个轨道的获奖方法。对于 Track 1 (视觉鲁棒性)，我们表明，结合针对性组件的架构简单性可实现更好的泛化，以轻量级两层 CNN 加上 Gated Linear Units 和观察归一化实现 95.4% 的最终得分。对于 Track 2 (神经对齐)，我们开发了一个类似 ResNet 的深度架构，包含 16 层卷积层和 GLU-based 门控，实现了 top-1 神经预测性能，参数数为 1780 万。我们的系统分析了十个模型检查点（训练步数从 6 万到 114 万不等），发现训练时长与性能之间呈非单调关系，最佳结果在约 20 万步时达成。通过全面的消融研究和失效案例分析，我们提供了关于为何更简单的架构在视觉鲁棒性方面优于更深的模型，而拥有更大容量的模型在神经对齐方面取得更好性能的见解。我们的结果挑战了关于视觉运动学习中模型复杂度的常规假设，为开发稳健、类生物学启发的视觉智能体提供了实用指导。