这里的视觉不是装饰，而是帮你找到“概念在哪、关系往哪走”。
先不看定义：它更像你熟悉的哪一种？
如果模型的目标是“预测下一个更可能出现的词”，为什么它可能说得流畅却不一定真实？
LLM 的训练目标首先是生成“在上下文中概率合理”的续写，并不等于查询一个保证真实的事实库。当上下文不足、训练知识冲突或问题要求超出能力时，它仍可能继续生成看似连贯的答案。
不要求意志力持续在线，而是让默认路径本身更容易开始、更难被动浏览。
这是认知科学驱动的产品假设，不是“脑区亮了所以有效”的神经神话。
跨年龄与多类任务都有较稳定证据；网站默认让答案延迟出现，并安排再次取回。
Karpicke & Roediger, 2008 · Cepeda et al., 2006能帮助理解与降低负荷，但错误旧知识也会造成干扰，所以每个类比都必须说明“哪里不像”。
Hattan et al., 2024重点不是“看一张漂亮图”，而是组织、补全、解释图中的关系。
Nesbit & Adesope, 2006 · Fiorella & Mayer, 2016有趣但无关的画面可能抢占加工资源；偏爱视觉不等于只适合视觉教学。
Seductive details meta-analysis · Learning Styles review下一步：沿着“基础 → 使用 → 用上 → 用好”进入内容主线。
