這項研究探討成年人在忽略一位講者的情況下，如何處理來自兩位不同講者的語音，並利用腦電圖（EEG）測量神經反應。研究重點在於語音的聲學特徵、單字頻率及單字的可預測性，後者是透過GPT-4估算的。結果顯示，英語母語者在分辨目標講者與干擾講者上表現較佳，而視覺任務能減少詞彙處理。當單字可預測性低時，聽眾更專注於聲學特徵，顯示語音感知涉及聽覺與詞彙處理的複雜互動，突顯在挑戰性聆聽環境中的適應性。 PubMed DOI

這項研究探討大型語言模型（LLMs）與人類大腦在處理敘事資訊上的差異。雖然LLMs能預測與敘事相關的神經信號，但它們是平行分析大量文本，與大腦逐步處理的方式不同。研究使用219名參與者的fMRI數據，發現LLMs在短期上下文中表現較好。研究人員開發了一個增量上下文模型，結合短期與持續更新的長期上下文，顯著改善了對長期處理腦區活動的預測。這結果顯示大腦整合資訊的能力，對認知神經科學和人工智慧的發展提供了新見解。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）來進行大規模的人類記憶實驗，特別是針對自然敘事的分析。研究發現，隨著敘事長度增加，記憶表現會改善，但參與者常常只會總結長敘事，而非回憶具體細節。當敘事順序被打亂時，回憶表現顯著下降，但識別表現穩定，顯示參與者仍能根據理解重建故事。研究還利用LLM生成的文本嵌入來測量敘事的語義相似度，與回憶可能性有強相關性，顯示LLMs在記憶研究中的潛力。 PubMed DOI

這項研究探討人類大腦在聽語音時如何編碼單詞意義，特別是海馬體的角色。研究人員記錄了數百個神經元的活動，發現單詞意義是透過不同語義類別的神經元綜合表現來表示的。結果顯示，神經反應距離與語義距離相關，這與大型語言模型（如BERT）相似，但在非上下文模型（如Word2Vec）中則未見此現象，顯示上下文對理解意義的重要性。此外，神經反應範圍與詞彙多義性有關，進一步強調上下文的關鍵角色。總體而言，結果支持海馬體使用向量編碼原則來表示語義信息。 PubMed DOI

這篇評論探討大型語言模型（LLMs）的推理過程，特別是注意力頭的角色。雖然LLMs在長文本理解和數學推理上表現接近人類，但其運作仍然像黑箱一樣難以理解。作者提出一個四階段框架，分析注意力頭的功能，並回顧相關研究，強調實驗方法的重要性。評論也總結了評估方法和基準，並指出目前研究的限制，建議未來的探索方向，以增進對LLMs推理能力的理解。 PubMed DOI

大型語言模型常會產生看似正確但其實錯誤的回答，這跟人類接受性失語症很像。研究發現，LLMs的內部運作和失語症患者大腦的資訊處理方式很相似，特別是在狀態轉換和停留時間上。這種分析方法未來有機會幫助改進LLMs，也可能應用在失語症診斷上。 PubMed DOI

這項研究提出用輔助交叉注意力網路（ACAN）來幫AI代理人挑選最相關的記憶，並首次用大型語言模型（LLM）來訓練這套記憶檢索系統。這種做法能讓代理人在模擬環境中表現更穩定、反應更靈活，對提升生成式AI代理人的記憶管理和行為表現很有幫助。 PubMed DOI

最新的商業大型語言模型（像GPT-4o），在神經影像的中繼資料標註上，表現幾乎跟專業人員一樣好（zero-shot下得分0.91–0.97），錯誤率也差不多，很多分歧其實不是錯誤。這代表LLM很適合大規模自動標註。作者也建議大家建立並分享標註基準資料集，方便未來測試。 PubMed DOI

這篇論文提出新方法，測試大型語言模型（LLMs）能否監控和調整自己的神經激活狀態，也就是「後設認知」能力。結果發現，LLMs能學會回報並影響部分內部活動，但只侷限在較低維度的範圍。這對理解AI運作和提升AI安全性有重要意義。 PubMed

這項研究用fMRI和GPT語言模型分析真實對話時的大腦活動。結果發現，大腦有些區域在說話和聽話時處理語言很像，但也有些區域會根據你是說還是聽，出現不同活動，這跟大腦怎麼整合語境有關。代表理解和產生對話時，大腦有共同也有獨特的處理方式，會在不同時間尺度下運作。 PubMed DOI