"Centaur：基于大规模心理实验数据构建的人类认知基础模型"

这项研究针对传统认知模型领域特异性局限，开发了名为Centaur的基础模型。研究人员通过微调Llama 3.170B语言模型，在包含160项心理实验、超1000万次选择的Psych-101数据集上训练，首次实现了跨领域人类行为预测。该模型不仅超越领域特异性认知模型（如prospect theory），其内部表征与人类神经活动更趋一致，为建立统一认知理论提供了新范式。

　　

人类认知的复杂性长期困扰着研究者——我们既能选择早餐麦片，又能攻克癌症，但现有认知模型却像"专精单一游戏的AlphaGo"，无法跨越领域界限。传统理论如前景理论（prospect theory）仅解释决策行为，强化学习模型只适用于特定任务，这种碎片化现状与认知的通用性形成尖锐矛盾。正如Newell和Simon早在1972年预言：唯有建立统一理论，才能整合日益增长的知识体系。

来自马克斯·普朗克研究所等机构的Marcel Binz团队在《Nature》发表突破性研究，通过构建首个通用人类认知基础模型Centaur，实现了跨160种实验范式、超60,000名参与者行为的高精度预测。该模型基于Psych-101数据集——这个包含10,681,650次选择、253,597,411文本标记的巨型语料库，采用参数高效的QLoRA技术微调Llama 3.170B语言模型，仅添加0.15%的可训练参数（低秩适配器rank=8），便使模型在五天训练后获得人类行为预测能力。

关键方法

1. 数据构建：将160项心理实验（如多臂老虎机、两阶段任务）转化为自然语言格式的Psych-101数据集
2. 模型架构：基于Llama 3.170B添加低秩适配器（r=8），采用交叉熵损失函数进行单周期训练
3. 评估体系：通过负对数似然比较模型性能，使用fMRI数据验证神经表征对齐

模型性能验证
"Centaur captures human behaviour"部分显示，模型在留出参与者测试中，负对数似然（0.44）显著优于基线模型（0.58，P≤0.0001）。在开放循环模拟中，模型生成的探索行为分布与人类高度吻合（定向探索参数t检验P=0.02）。特别值得注意的是，在预测非人类智能体行为时准确率骤降至35%，证实其人类特异性。

泛化能力突破
"Probing generalization abilities"章节揭示，模型在三种严格测试中表现卓越：

1. 封面故事变更：从未接触魔法地毯叙事的Centaur，在改编版两阶段任务中预测准确率（负对数似然0.42）仍优于专用模型（0.61）
2. 结构修改：面对训练集未包含的三臂老虎机任务"Maggie's farm"，模型表现（0.42）远超传统模型（0.98）
3. 全新领域：在未训练过的逻辑推理任务（LSAT题型）中，性能提升23%（Cohen's d=0.23）

神经科学启示
"Alignment to human neural activity"通过两项fMRI分析发现：

1. 双阶段任务中，Centaur表征对纹状体（特别是伏隔核）神经活动的预测相关性显著增强（所有层P≤0.001）
2. 句子阅读任务中，模型中间层（约20层）与语言网络神经活动的解码相关性经元分析证实存在微幅提升（β=0.007，P=0.045）

理论构建新范式
"Model-guided scientific discovery"展示的案例中，通过DeepSeek-R1解析出"多数正评分优先，专家权重断后"的双启发式策略，经科学后悔最小化（scientific regret minimization）优化后，新模型的AIC（71.7）既匹配Centaur预测力，又保持可解释性，保护超越概率达83%。

这项研究标志着认知科学进入"基础模型"时代——Centaur不仅验证了通过数据驱动发现统一认知理论的可能性，其"预训练+微调"范式更为理解复杂行为提供了新工具。正如作者强调，当模型在16个"认知十项全能"中全部获胜时，传统领域特异性理论的局限性已不言自明。未来，随着Psych-101向发育心理学、计算精神病学等领域扩展，这种融合语言模型与认知科学的研究路径，或将成为揭示智能本质的关键突破口。