Persona Atlas: Mapping How Famous Minds Think

•Persona Atlas計畫建立在Hugging Face對「語言模型認知地圖」的持續研究基礎上，旨在透過讓模型口頭表達其世界模型，來增強其最佳規劃和推理能力。
•該研究計畫可能利用Hugging Face開發的「代理推理」框架，該框架透過整合外部工具代理、網路搜尋、程式碼執行和結構化推理上下文記憶，顯著提升大型語言模型的推理和解決複雜問題的能力。
•Hugging Face的研究深入探討大型語言模型的「認知記憶」機制，將記憶分為感知、短期和長期記憶，並探索如「記憶宮殿」等機制，以實現更豐富的上下文回應並減少幻覺。
•Persona Atlas的開發可能受益於Hugging Face上已有的「PersonaHub」資料集，該資料集包含十億個從網路資料中策劃的多元角色，為角色驅動的資料合成提供了豐富資源。
•Hugging Face的研究也著重於建立一個基於認知科學的全面框架，透過分析18個模型超過19.2萬條推理軌跡，以理解大型語言模型實際的推理方式，並診斷推理失敗，進而開發更穩健的模型。

認知地圖 (Cognitive Map)：Hugging Face的研究探索大型語言模型如何建構環境的認知地圖，以顯著提升在多步驟規劃任務中的最佳規劃和可達規劃生成能力。
代理推理框架 (Agentic Reasoning Framework)：該框架透過整合外部工具使用代理（如網路搜尋、程式碼執行）和結構化推理上下文記憶，增強大型語言模型的推理能力。其中包含一個「思維導圖代理」(Mind Map agent) 用於建構結構化知識圖譜以追蹤邏輯關係。
認知記憶機制 (Cognitive Memory Mechanisms)：研究將大型語言模型的記憶分為感知記憶（對應輸入提示）、短期記憶（處理即時上下文）和長期記憶（透過外部資料庫或結構實現），並探索「記憶宮殿」等機制以優化記憶管理。
認知元素分類法 (Taxonomy of Cognitive Elements)：Hugging Face建立了一個包含28個認知元素的分類法，涵蓋推理不變量、元認知控制、組織推理和知識的表示以及轉換操作，用於大規模實證分析模型推理軌跡。
PersonaHub 資料集: 該資料集包含十億個多元角色，這些角色是從網路資料中自動策劃的，用於角色驅動的資料合成。資料集包括角色檔案、對話資料和上下文資訊，並標註了19個以上的角色維度。

AI將能更精確地模擬複雜人類行為與決策過程

透過深入理解大型語言模型的認知映射與記憶機制，AI系統將能更真實地再現歷史人物或特定角色的思維模式，進而提升社會模擬、政策分析和行為預測的準確性。

AI代理將具備更強的自主性與情境感知能力

結合認知地圖、代理推理框架和長期記憶機制，未來的AI代理將能更好地理解複雜環境、進行多步驟規劃並利用外部工具，使其在沒有人類監督的情況下執行複雜任務。

AI教育與文化傳承將迎來沉浸式互動體驗

透過高度真實的角色建模，學生和公眾將能以互動對話的方式與歷史人物或專家進行交流，從而提供更具吸引力和個性化的學習體驗，儘管仍需注意歷史準確性與倫理問題。

2024-06

Hugging Face上發布PersonaHub資料集，包含多種角色檔案，用於角色驅動的資料合成。

2025-02

Hugging Face Daily Papers中出現關於「語言模型認知地圖」的研究，探討LLM如何建構認知地圖以優化規劃任務。

2025-02

PersonaHub資料集更新，新增了3.7億個「精英角色」。

2025-04

Hugging Face Daily Papers中出現關於「大型語言模型認知記憶」的研究，探討LLM的記憶機制。

2025-09

PersonaHub資料集再次更新，總計包含10億個多元角色。

2025-11

Hugging Face發布關於「推理的認知基礎及其在LLM中的表現」的研究，建立了一個基於認知科學的框架來理解LLM的推理方式。

Persona Atlas：繪製著名大腦的思維模式