用于零样本与多任务脑信号分析的语言引导多模态基础模型

基于摘要分析。该研究针对脑信号分析中任务专用模型需重复训练、预训练模型仍依赖微调，以及通用多模态模型难以理解脑信号的问题，提出多模态基础模型 METIS。其核心思路是通过统一的语言—信号对齐框架，支持零样本与多任务脑信号分析。 机制与数据：摘要将表征不对齐和领域知识不足列为通用多模态模型的主要障碍，但未披露 METIS 的信号编码方式、语言监督来源、对齐目标及训练流程。作者报告，预训练语料覆盖 20 个数据集、超过 11,000 名被试和超过 70,000 小时的记录；作者称其为迄今规模最大、最多样的脑信号语料，该比较范围尚未核实。摘要未明确列出信号模态，因此不能将全部语料直接视为 EEG。 结果：作者报告，在覆盖 12 个数据集的零样本评估中，METIS 相对所比较的领先通用模型，平均 Accuracy 提升超过 20.9%；无需微调时，其表现达到或超过有监督的任务专用模型。作者另报告，少样本设置与跨数据集迁移中的平均 AUROC 优势分别超过 16.0% 和达到 15.9%。这些百分比沿用摘要表述，其表示相对提升还是百分点差异，以及 AUROC 比较所用的具体基线，尚未验证，不宜自行换算或跨协议比较。 验证重点：需结合全文核对任务与数据集清单、预训练与评估数据的关系、被试及会话划分、零样本任务描述构造、少样本预算，以及基线训练条件。实验协议、消融及统计信息尚未验证；模型权重、代码与复现条件亦未由摘要说明。现有材料支持关注其语言—信号对齐路线，但不足以确认具体 EEG/BCI 任务上的适用范围或临床有效性。