大型語言模型（LLMs）是強大的預訓練模型，可微調應用在各種自然語言任務，減少單獨為每個任務建模的需求。像GPT-3和LaMDA這樣的模型經過少量啟動後可與人對話，但是否真正理解語言或展現智能存在爭議。從與LLMs的訪談中得出的結論變化顯示，對其智能的看法可能取決於訪問者的智商。這可能引發反向圖靈測試。隨著LLMs的進步，它們可能改變人機互動。將LLMs與感知運動裝置整合引發了對其實際能力的問題。提出了受大腦系統啟發的改進方案，以實現人工智能通用自主性。LLMs也可能提供有關大腦功能的見解。 PubMed DOI

大型語言模型（LLMs）在推理任務上表現優秀，挑戰傳統模型。雖然有限制，但透過提供範例和擴展網絡等方法，可以增強性能，類似人類思考。分析LLM的錯誤可洞察人類偏見。LLMs帶來希望，從聯想主義角度研究智能和推理，透過認知心理學工具更深入了解人類思維。 PubMed DOI

大型語言模型（LLMs）在理解語言方面有進展，但在語言能力和認知方面看法不同。研究評估LLMs的形式語言能力和功能語言能力，人類神經科學顯示這兩種能力依賴不同神經機制。LLMs在形式能力表現優異，但在功能任務上表現不穩，可能需要額外調整或外部模組。為了達到人類般的語言使用，模型可能需掌握兩種能力，並提供專門機制。 PubMed DOI

研究發現大型語言模型（LLMs）如ChatGPT、Google的Bard和Anthropic的Claude在回答英文和波斯語神經生理學問題時表現良好，但在整合性主題上有進步空間。研究指出LLMs在高階推理和知識整合方面需要更多針對性的訓練，未來發展應更注重領域特定的評估。 PubMed DOI

研究比較人類和大型語言模型（LLM）在心智理論任務上的表現，發現像GPT-4這樣的LLM在識別間接要求和虛假信念等任務上表現與或優於人類，但在偵測社交失言方面表現不佳。LLaMA2在社交失言偵測方面表現優於人類，但進一步分析顯示這是由於一種偏見。表現差異歸因於LLM採用保守方法，需要系統性測試才能準確比較人類和人工智能。 PubMed DOI

這項研究探討了ChatGPT（GPT-3.5和GPT-4）在評估認知表現的有效性，對象包括正常認知者和中風倖存者。90名參與者接受了記憶、數字處理、語言流暢度和抽象思維的評估。主要發現顯示GPT-3.5在記憶和語言評估上與醫生的評估存在顯著差異，但透過優化方法可改善這些差異。GPT-4的表現更接近醫生評分，顯示其在認知評估中有進一步提升的潛力。整體而言，ChatGPT作為醫療評估的輔助工具顯示出潛力。 PubMed DOI

這項研究探討大型語言模型（LLMs）與人類的推理能力，使用有限理性的認知心理學工具進行比較。實驗中，我們分析了人類參與者和不同預訓練LLMs在經典認知任務上的表現。結果顯示，許多LLMs的推理錯誤與人類相似，且受到啟發式影響。然而，深入分析後發現，人類與LLMs的推理存在顯著差異，較新的LLMs表現出更少的限制。雖然可以提升表現的策略存在，但人類和LLMs對提示技術的反應卻不同。我們討論了這些發現對人工智慧及認知心理學的意義，特別是在比較人類與機器行為的挑戰上。 PubMed DOI

一項研究評估了十一個大型語言模型（LLMs），使用40個專門的錯誤信念任務，這些任務對於評估人類的心智理論（ToM）非常重要。結果顯示，較舊的模型無法解決任何任務，而GPT-3-davinci-003和ChatGPT-3.5-turbo僅解決了20%。相比之下，ChatGPT-4的成功率達到75%，與6歲兒童的表現相當。這顯示出心智理論的能力可能是LLMs語言能力增強的副產品，預示著更先進的人工智慧的崛起，帶來正負面影響。 PubMed DOI

這項研究探討大型語言模型（LLMs）在診斷神經腫瘤方面的潛力，特別是在不斷變化的WHO中樞神經系統腫瘤指導方針下。研究測試了ChatGPT-4o、Claude-3.5-sonnet和Llama3在30個神經病理案例中的表現。結果顯示，結合檢索增強生成（RAG）後，LLMs在識別腫瘤亞型上達到90%的準確率，顯示它們能成為神經病理學家在報告實踐中的有用工具，特別是在跟上最新分類變更方面。 PubMed DOI

這項研究評估了八種公開的大型語言模型（LLMs）在24個神經放射學臨床情境中提供影像建議的表現。評估模型包括GPT-4、ChatGPT、Bard、Bing Chat、Llama 2等。結果顯示，GPT-4表現最佳，提供23個最佳建議，其次是ChatGPT有20個，而Llama 2僅有5個最佳建議。這項研究強調了大型語言模型在臨床影像利用上的潛力，並探討了評估其表現的挑戰，具有重要意義。 PubMed DOI