认知拥挤下 大语言模型 的多维认知状态建模

人类认知状态建模对于先进人工智能至关重要。现有的大语言模型（LLM）主要解决情绪分析或立场检测等孤立任务，无法捕捉心理学定义的认知维度（包括情绪、思维方式、立场和意图）之间的相互作用。为了弥补这一差距，我们构建了 CognitiveBench，这是第一个在上述四个维度上提供统一注释的基准。 CognitiveBench上的实验表明，虽然LLM在单维任务上表现良好，但在联合多维建模中性能急剧下降。使用 Gromov $δ$-双曲分析，我们发现 CognitiveBench 表现出很强的层次结构。我们将性能瓶颈归因于“认知拥挤”，其中分层认知状态需要指数表示空间，而 LLM 的欧几里得空间仅按多项式增长，导致表示重叠和性能下降。为了解决这种不匹配问题，我们提出了 HyCoLLM，它对双曲空间中的认知状态进行建模，并通过双曲引导对齐调整来对齐 LLM 表示。结果表明，HyCoLLM 显着提高了多维认知理解，使 8B 参数模型优于强大的基线，包括 GPT-4o。