综述：迈向具有类人情景记忆的大语言模型

这篇综述探讨了如何通过外部记忆增强大语言模型（MA-LLMs）来模拟人类情景记忆（EM）的核心机制，系统分析了当前模型与人类EM在动态更新、事件分割、选择性编码等关键特性上的差异，并提出了通过神经影像技术验证模型预测的创新方法。

　　

Highlights

认知神经科学领域面临的核心挑战在于阐明情景记忆（EM）如何支撑人类对现实事件的理解。尽管过去十年取得显著进展，但现有计算模型仍难以预测EM在处理高维度自然刺激时的复杂行为。记忆增强型大语言模型（MA-LLMs）因其兼具丰富的语义知识库和类EM的外部记忆系统，展现出成为理想认知模型的潜力。

重点分析了MA-LLMs与人类EM的五大关键差异：动态记忆更新机制、事件分割能力、选择性编码与检索策略、时间连续性保持以及检索阶段的竞争关系。例如，人类EM会主动遗忘冗余信息（动态更新），而现有MA-LLMs往往采用固定窗口的记忆缓存；在观看电影时，人脑能自动划分情节边界（事件分割），但算法尚缺乏类似的生物学启发机制。

Abstract

最新研究表明，通过设计特定基准任务可有效提升模型与人类EM的契合度：要求模型完成时序事件重组、跨场景细节关联等任务时，其表现更接近人类神经活动模式。功能性磁共振成像（fMRI）数据显示，当人类受试者回忆特定事件时，海马体与默认模式网络会出现特征性激活，这为验证MA-LLMs的记忆检索模式提供了生物指标。

未来研究方向包括开发具有自适应遗忘曲线的记忆模块、引入注意力机制模拟选择性编码，以及通过对比模型预测的神经信号与实际脑成像数据来优化架构。这种跨学科融合不仅将推动认知建模的发展，还可能为阿尔茨海默病等记忆障碍疾病提供新的数字化研究范式。