human-cognition-layer

Human Cognition Layer (HCL) est un projet de recherche consacré à la modélisation des états mentaux humains et à la calibration des décisions. Son idée centrale est la suivante : sans modifier les poids du modèle de base, il s'agit de modéliser de manière plus stable les connaissances, croyances, intentions, incertitudes causales et décisions sociales des humains, au moyen de structures cognitives explicites, reproductibles et transférables, afin d'améliorer la réponse ou l'action finale. Le projet adopte le principe module-first : la couche cognitive reste toujours dans la chaîne de traitement, et toute régression de performance est considérée comme un signal de diagnostic, plutôt que de contourner HCL pour obtenir un meilleur score de benchmark. La phase actuelle est PHASE-04, centrée sur la réparation des stratégies de décision et une nouvelle validation holdout ; l'entraînement du modèle n'a pas encore commencé. L'architecture HCL v0.3 comprend trois parties principales : 1. État cognitif gelé : chaque entrée construit d'abord un cognition state structuré, prenant en charge des modes tels que SIMPLE, EPISTEMIC, CAUSAL_AMBIGUITY, et mettant l'accent sur des principes sémantiques comme la séparation entre la vérité du monde et les connaissances de l'agent, la séparation entre croyances de premier et de second ordre, et la nécessité d'un pont de preuve pour le transfert d'information. 2. Boucle de réponse toujours active : l'entrée passe par l'état cognitif, une ébauche du modèle de base, puis des vérifications de cohérence et de calibration avant de générer la réponse finale ; le vérificateur se concentre sur la cohérence factuelle, l'accessibilité de l'information, la hiérarchie des croyances, la désambiguïsation des erreurs et la granularité de la réponse. 3. Stratégie de décision interactive : dans des environnements tels que SOTOPIA, l'état cognitif est en outre projeté en stratégie d'action, afin d'éviter une passivité excessive ou des comportements à faible information dus à l'absence de stratégie d'action. Le projet propose deux types d'évaluations : CogToM et SOTOPIA-Hard. CogToM sert actuellement d'outil de diagnostic et de régression, tandis que SOTOPIA-Hard est l'environnement principal de validation de la méthode. Le README consigne les données expérimentales de state fidelity, answer checker et SOTOPIA-Hard, mais précise clairement qu'il s'agit de preuves de recherche et non de déclarations de capacités produit ; les signaux holdout positifs doivent encore être validés par des expériences répétées prédéfinies et un transfert vers différents modèles de base. Le dépôt contient également des scripts historiques de runner CogToM, permettant d'exécuter des tests de référence ou de diagnostic via l'API DeepSeek. L'état d'exécution en temps réel a pour unique source de vérité STATUS.md.