本文系统地比较和分析了表征相似性度量 (RSM)（神经科学和人工智能领域的基本工具）在多个模型系列中的判别力。我们系统地评估了几种常用 RSM（包括 RSA、线性预测模型 (LPM)、Procrustes 分析和软匹配）在具有不同架构（CNN、Vision Transformer、Swin Transformer 和 ConvNeXt）和训练方法（监督学习和自监督学习）的模型中的判别力。我们使用了信号检测理论中的三个可分离性指标——d-prime、轮廓系数和 ROC-AUC。我们发现，具有更严格对齐约束的度量系统地提高了可分离性。在基于映射的方法中，软匹配实现了最高的可分离性，其次是 Procrustes 对齐和线性预测模型。无需拟合的方法（例如 RSA）在各个模型系列中也表现出强大的可分离性。这是第一项从可分离性角度系统地比较 RSM 的研究，阐明了它们的相对敏感性并为大规模模型和大脑比较的度量选择提供了指导。
