将 LLM 视为大脑：通过对齐 EEG 信号与语言的语义解码文本

基于摘要分析。本文研究 EEG-to-text，提出将其从序列到序列翻译重新表述为细粒度可控文本生成：训练 EEG 表征模型，使其输出与文本语义空间对齐，再利用这些表征引导 LLM 生成目标句子。核心贡献是将学习重点放在 EEG 与文本的语义对齐上，而不是依赖 teacher-forcing 的翻译训练。 机制与对照：作者认为，既有方法采用 teacher-forcing 时未能有效提取和利用 EEG 信息，因此尝试借助 LLM 的文本生成能力，让对齐后的 EEG 表征承担生成控制信号。“将 LLM 视为大脑”是框架类比，并非关于生物脑机制的验证。摘要未说明语义空间如何构建、对齐损失的形式、EEG 表征如何接入 LLM，以及 LLM 是否冻结或微调，这些实现细节尚未验证。 结果与评估：作者报告，在 ZuCo benchmark 的多被试与单被试设置下取得最先进性能，并在跨被试场景中表现出对未见被试的泛化能力。摘要未提供具体指标、分数、对照方法和划分信息；其中多被试与单被试设置也不能直接等同于跨被试或被试内协议，因此目前无法量化其改进幅度或直接比较不同设置。 复现时需重点核对：训练与推理阶段可用的文本信息、未见被试的划分方式、生成结果对 EEG 输入的依赖程度，以及语义对齐相对于其他条件生成方式的增益。可通过核对 EEG 打乱、移除 EEG 等对照判断语言先验与神经信号各自的贡献，但不能据摘要认定作者未做这些实验。完整实验协议、消融及统计信息尚未验证。