Исследователи представили фреймворк CogAlign, который обучает мультимодальные нейросети мыслить с учетом человеческих когнитивных закономерностей. В основе лежат 66 смысловых измерений, полученных в рамках проекта THINGS на базе 4,7 миллиона суждений людей о 1854 объектах.
Процесс обучения CogAlign включает три этапа: определение ключевых признаков через алгоритм SPoSE, генерацию цепочек рассуждений и дообучение моделей на 309 329 примерах. Метод позволяет нейросетям использовать человеческие критерии выбора, а не полагаться на стандартные методы оптимизации предпочтений.
Тестирование на семействе Qwen3-VL показало, что CogAlign эффективнее обычных промптов, которые часто приводили к логическим сбоям. После дообучения модели Qwen3-VL превзошли по точности 70-миллиардную модель Centaur, показавшую 51,96% совпадений с выбором человека.
Фреймворк также улучшил понимание физических свойств предметов. В бенчмарке MMBench модель Qwen3-VL-4B повысила результат в этой категории с 67% до 75%, а версия 8B — с 61% до 77%.





