本文介绍了一种新的方法，通过将大型语言模型（LLM）表示与人类认知信号进行桥接，评估LLM在模拟认知语言处理方面的有效性。实验结果表明，模型扩展与LLM-脑信号相似性呈正相关，对齐训练可以显著提高LLM-脑信号相似性。

最近的研究成功将fMRI和EEG等认知信号解码为文本，但数据污染影响了模型性能。为了公平评估不同模型的泛化能力，研究提出了一种新的数据集拆分方法，并测试了SOTA脑-文本解码模型的性能。

本文提出了一种新的方法，通过将大型语言模型（LLM）与人类认知信号进行桥接，评估LLM在模拟认知语言处理方面的有效性。实验结果表明，模型扩展与LLM-脑信号相似性呈正相关，对齐训练可以显著提高LLM-脑信号相似性。

最近的研究成功将认知信号如fMRI和EEG解码为文本，但数据污染问题影响了模型性能。为了公平评估不同模型的泛化能力，研究提出了一种新的数据集分裂方法，并测试了脑-文本解码模型的性能。