一篇新近提交至 arXiv 的论文《A Shared Valence Axis Across Modern LLMs and Human EEG: The Saturation Regularity》（现代大语言模型与人类脑电中的共享情绪效价轴：饱和规律）由 Yousef A. Radwan 等五位作者完成，于 2026 年 5 月 28 日提交，归类为机器学习（cs.LG）与人工智能（cs.AI）交叉方向。研究围绕一个核心问题展开：现代大语言模型能否充当理解人脑神经表征的透镜，作者将焦点放在脑电信号中的情绪效价（emotional valence）上。
研究的第一部分构建了一个一维情绪效价方向，称为 V 轴（V-axis）。作者仅使用九句能唤起情绪反应的句子，就从现代大语言模型中提取出这一方向。随后他们对该方向进行了两项验证：一是零样本迁移到情感基准任务上，二是考察十四个不同大语言模型之间的跨模型一致性。结果表明，这一由语言模型导出的方向具有可迁移性和跨模型稳定性，并非某一模型的偶然产物。
第二部分将 LLM 导出的 V 轴与真实人脑活动对应起来。作者使用一个公开脑电数据集，包含 123 名受试者观看情绪性视频时的记录。他们发现，仅凭脑电特征上的一个线性投影，就能追踪每个刺激在 V 轴上的位置。更进一步，36 个在训练中从未接触过 V 轴的脑电情绪分类器，在各自的内部表征中自发地重新发现了相同方向。作者据此认为，同样的效价结构同时出现在语言模型和人类电生理活动中。
然而，这种收敛并未转化为有效的训练信号。作者测试了 25 种对齐策略，包括知识蒸馏、表征相似性、对比损失以及拓扑损失等。结果没有任何一种策略改善解码表现，其中 16 种还显著降低了准确率。作者将这一现象形式化为“饱和规律”（saturation regularity）：一旦任务标签本身已把脑电解码网络推向目标方向，额外的监督主要是扰动一个已经饱和的区域（basin），而真正承载判别信息的类内残差（within-class residual）几乎得不到有用的梯度。
这一规律同时指出了改进应当来自何处，即监督信号无法触及的残差子空间。基于此，作者不再对已饱和区域施加监督，而是对不同残差多样性进行集成（ensemble）。在 FACED 数据集上，该方法相较此前最佳结果将平衡准确率提升了 10.5%，并在 SEED-V 数据集上复现了相同效果。论文全文为 4,720 KB，提供 PDF、实验性 HTML 及 TeX 源码等多种获取方式，DOI 为 10.48550/arXiv.2606.00129。