human-cognition-layer

Human Cognition Layer (HCL) es un proyecto de investigación orientado al modelado de estados mentales humanos y la calibración de decisiones. Su idea central es: no modificar los pesos del modelo base, sino modelar de manera más estable el conocimiento, las creencias, las intenciones, la incertidumbre causal y las decisiones sociales humanas a través de una estructura cognitiva explícita, reproducible y transferible, mejorando así la respuesta o acción final. El proyecto adopta el principio de module-first, donde la capa cognitiva siempre permanece en la cadena de procesamiento, y la degradación del rendimiento se considera una señal de diagnóstico, en lugar de eludir HCL para obtener mejores puntuaciones en benchmarks. La fase actual es PHASE-04, centrada en la reparación de estrategias de decisión y la validación con nuevos holdouts, sin haber comenzado aún el entrenamiento del modelo. La arquitectura HCL v0.3 consta de tres partes principales: 1. Estado cognitivo congelado: para cada entrada, se construye primero un cognition state estructurado, que admite modos como SIMPLE, EPISTEMIC y CAUSAL_AMBIGUITY, enfatizando principios semánticos como la separación entre la verdad del mundo y el conocimiento del agente, la separación entre creencias de primer y segundo orden, y la necesidad de evidencia para la transferencia de información. 2. Bucle de respuesta siempre activo: la entrada pasa por el estado cognitivo, el borrador del modelo base, y las comprobaciones de consistencia y calibración para generar la respuesta final. El verificador se centra en la consistencia factual, la accesibilidad de la información, los niveles de creencia, la desambiguación de errores y la granularidad de la respuesta. 3. Estrategia de decisión interactiva: en entornos como SOTOPIA, el estado cognitivo se mapea además a estrategias de acción, evitando comportamientos excesivamente pasivos o con poca información debido a la falta de estrategias de acción. El proyecto proporciona dos tipos de evaluación: CogToM y SOTOPIA-Hard. CogToM se utiliza actualmente como herramienta de diagnóstico y regresión, mientras que SOTOPIA-Hard es el entorno principal de validación de métodos. El README registra datos experimentales de state fidelity, answer checker y SOTOPIA-Hard, pero aclara explícitamente que son evidencia de investigación, no declaraciones de capacidad del producto. Las señales positivas de holdout aún deben validarse mediante experimentos repetidos predefinidos y transferencia entre modelos base. El repositorio también incluye scripts históricos de CogToM runner, que pueden ejecutar pruebas de diagnóstico o de referencia a través de la API de DeepSeek. El estado de ejecución en tiempo real se basa únicamente en STATUS.md como fuente de verdad.