对LLM某一层进行优化：通过眼动数据发现中间层注重语句内在含义，进而对中间层参数优化

对LLM某一层进行优化：通过眼动数据发现中间层注重语句内在含义，进而对中间层参数优化

论文核心解析及核心原理举例

一、研究背景与动机

大语言模型（LLMs）通过大规模预训练在下游任务中表现优异，但内部机制的可解释性不足，导致难以高效引导其语义输出。传统参数高效微调（PEFT）方法通常干预所有层或仅最后一层，存在参数冗余和效率低下的问题。为此，论文提出CogSteer框架——一种基于认知启发的选择性层干预方法，通过分析LLM层功能特性，精准选择干预层以提升效率和性能。

二、核心原理：基于眼动数据的层功能解析与选择性干预

论文的核心逻辑是：通过人类认知指标（眼动数据）揭示LLM层功能分层规律，再基于此选择最优干预层，实现高效语义引导。