EEGAgentBench：面向短时程与长时程 EEG 分析的 LLM 智能体基准评测

基于摘要分析。EEGAgentBench 针对现有 EEG 智能体评估任务零散、时间跨度有限及协议不一致的问题，提出统一基准，将评估范围从短片段分类扩展到需要迭代积累证据、调用信号处理工具和进行多步骤推理的长时程分析。 基准覆盖六类代表性 EEG 应用，摘要明确举出的应用包括知识问答与睡眠分期；信号时长从 2 秒至近 23 小时，预测目标涵盖类别标签、事件区间和 epoch 级序列。其评估维度包括知识推理、短时程解释、长时程事件检测及序列理解，但各任务的数据来源、被试规模、划分方式和评分规则尚未验证。 机制上，基准提供 10 个确定性 EEG 分析工具，仅暴露与任务相关的信号测量信息，要求智能体自主选择工具、迭代积累证据并构建多步骤工作流。因此，它不仅考察最终预测，也旨在评估推理、工具使用及工作流构建能力；这些过程能力如何被具体计分，仍需核对全文。 作者报告，在该基准上评估了来自 15 个模型家族的 29 个前沿 LLM，结果能够区分模型规模和推理成本之外的智能体能力，并显示当前智能体在长时程 EEG 分析中存在明显局限，尤其是持续证据积累与多步骤推理。摘要未提供具体指标、分数或任务级对照，不能据此判断某个模型更适合实际 EEG 分析。 复现时需核对工具接口与输出约束、长记录的访问方式、提示与调用预算、任务评分及推理成本统计口径，并确认基准数据和实现的可获取性。实验协议、消融及统计信息尚未验证；该材料也不足以支持临床可靠性或实际 BCI 部署效果的结论。