arXiv 2026年10月7日CogAdapt从人类阅读代码时的EEG与眼动数据中提取程序级与词元级先验，结合冻结MoE模型对每个编程任务的响应，为每个任务动态选择少量transformer块进行稀疏微调；在Qwen与GLM上，人类阅读行为与MoE计算呈现一致对应，方法在LiveCodeBench与BigCodeBench上取得最佳pass@1，其中LiveCodeBench较匹配的常规全块微调提升10.86与6.29个百分点，同时将可获梯度的适配参数减少86.21–87.21%。CogAdapt从人类阅读代码时的EEG与眼动数据中提取程序级与词元级先验，结合冻结MoE模型对每个编程任务的响应，为每个任务动态选择少量transformer块进行稀疏微调；在Qwen与GLM上，人类阅读行为与MoE计算呈现一致对应，方法在LiveCodeBench与BigCodeBench上取得最佳pass@1，其中LiveCodeBench较匹配的常规全块微调提升10.86与6.29个百分点，同时将可获梯度的适配参数减少86.21–87.21%。CogAdapt用人类EEG与眼动信号选择代码模型适配模块，在LiveCodeBench上比全块微调提升10.86个百分点并减少约87%可训练适配参数CogAdapt从人类阅读代码时的EEG与眼动数据中提取程序级与词元级先验，结合冻结MoE模型对每个编程任务的响应，为每个任务动态选择少量transformer块进行稀疏微调；在Qwen与GLM上，人类阅读行为与MoE计算呈现一致对应，方法在LiveCodeBench与BigCodeBench上取得最佳pass@1，其中LiveCodeBench较匹配的常规全块微调提升10.86与6.29个百分点，同时将可获梯度的适配参数减少86.21–87.21%。CogAdapt从人类阅读代码时的EEG与眼动数据中提取程序级与词元级先验，结合冻结MoE模型对每个编程任务的响应，为每个任务动态选择少量transformer块进行稀疏微调；在Qwen与GLM上，人类阅读行为与MoE计算呈现一致对应，方法在LiveCodeBench与BigCodeBench上取得最佳pass@1，其中LiveCodeBench较匹配的常规全块微调提升10.86与6.29个百分点，同时将可获梯度的适配参数减少86.21–87.21%。