human-cognition-layer

Human Cognition Layer (HCL) é um projeto de pesquisa voltado para a modelagem de estados mentais humanos e calibração de decisões. Sua ideia central é: sem modificar os pesos do modelo base, utilizar uma estrutura cognitiva explícita, reproduzível e transferível para modelar de forma mais estável o conhecimento, crenças, intenções, incertezas causais e decisões sociais humanas, melhorando assim a resposta final ou ação. O projeto adota o princípio module-first, onde a camada cognitiva é sempre mantida na cadeia de processamento, e a degradação de desempenho é tratada como um sinal de diagnóstico, em vez de contornar o HCL para obter melhores pontuações em benchmarks. A fase atual é PHASE-04, com foco na correção de estratégias de decisão e validação holdout completamente nova, ainda sem início de treinamento de modelo. A arquitetura HCL v0.3 consiste em três partes principais: 1. Estado cognitivo congelado: cada entrada primeiro constrói um cognition state estruturado, suportando modos como SIMPLE, EPISTEMIC, CAUSAL_AMBIGUITY, enfatizando princípios semânticos como separação entre verdade do mundo e conhecimento do agente, separação entre crenças de primeira e segunda ordem, e necessidade de ponte de evidências para transferência de informação. 2. Loop de resposta sempre ativo: a entrada passa pelo estado cognitivo, rascunho do modelo base, verificações de consistência e calibração para gerar a resposta final, com verificadores focados em consistência factual, acessibilidade da informação, hierarquia de crenças, desambiguação de erros e granularidade da resposta. 3. Estratégia de decisão interativa: em ambientes como SOTOPIA, o estado cognitivo é mapeado para estratégias de ação, evitando comportamentos excessivamente passivos ou com baixa informação devido à falta de estratégias de ação. O projeto fornece dois tipos de avaliação: CogToM e SOTOPIA-Hard. CogToM é atualmente usado como ferramenta de diagnóstico e regressão, enquanto SOTOPIA-Hard é o principal ambiente de validação de métodos. O README registra dados experimentais de state fidelity, answer checker e SOTOPIA-Hard, mas deixa claro que são evidências de pesquisa, não declarações de capacidade de produto, e que sinais positivos de holdout ainda precisam ser validados por meio de experimentos repetidos predefinidos e transferência entre modelos base. O repositório também contém scripts históricos do runner CogToM, que podem executar testes de linha de base ou diagnóstico via API DeepSeek. O status de execução em tempo real tem o STATUS.md como única fonte de verdade.