BrainWM：用于表征、预测与模拟全脑动态的多模态世界模型

基于摘要分析。BrainWM 针对将整段 fMRI 扫描作为静态图像处理的局限，提出面向全脑四维动态的多模态世界模型，将结构与功能 MRI 的表征学习、未来状态预测和条件模拟统一到同一框架。研究对象是脑影像及其动态变化，摘要未报告 EEG 解码或 BCI 控制实验。 模型包含三个组件：BrainWM-VAE 将结构与功能 MRI 编码为联合结构—功能潜在状态；BrainWM-DiT 通过 flow matching，在潜空间中根据过去状态生成下一状态；BrainWM-BAM 通过先验—后验建模学习状态转移的潜在动作。训练分为三个阶段：联合潜空间学习、扫描运行内（within-run）的生成式预测预训练，以及用于条件跨运行（cross-run）模拟的后训练。这里的跨运行不应等同于跨被试或跨会话，具体划分尚未验证。 作者报告，在大规模内部与外部测试集上，BrainWM 的下游任务表现超过或接近专门用于表征学习的基础模型，并能预测和模拟功能与结构脑变化；但摘要未列明数据集、样本规模、任务、指标、基线或预测时间跨度，因而无法判断各项结果的适用范围。作者称其为首个对全脑动态表征、预测和模拟进行系统评估的脑影像世界模型，该优先性主张尚未独立核实。实验协议、消融及统计信息尚未验证；尤其需要核对潜在动作的条件来源、模拟结果的评价依据，以及预测能力与生物学解释之间的区别。 平台推测（待验证）：若联合状态编码与潜在动作建模可适配 EEG 时序，它们可能用于区分持续脑状态与条件驱动的状态转移，但这仅是迁移假设，不代表已证实的 BCI 效果。迁移需要改造 MRI 编码模块，并明确 EEG 的时间结构、通道布局及条件监督；低信噪比、跨被试差异和小样本可能使模型学习非目标变化。已有 EEG 相关工作尚未检索确认，当前材料不足以制定可靠的复现实验方案。