面向脑编码的参数高效微调规模扩展

基于摘要分析。该研究关注如何在神经数据昂贵且有限的条件下，将大型预训练模型适配于脑编码，即根据刺激预测神经响应。作者提出 BrainLoRA，以低秩适配器 LoRA 和轻量读出模块替代仅训练冻结骨干读出层的常见路线，并通过计算优化支持更大骨干及更多适配模型。 核心机制包括两部分：一是利用骨干的因果结构，在一次前向传播中预测多个时间点，替代滑动窗口式特征提取；二是开发 multi-LoRA kernel，使多个 LoRA 能在共享骨干上联合训练。作者报告，该流程可微调参数规模最高达 104B 的多模态骨干，并在九种多模态骨干上持续改善脑编码表现；摘要未提供具体性能数值、成本测量或统计信息。 在 Algonauts 2025 Challenge 上，作者报告 BrainLoRA 使用与此前最佳方法相同的 Qwen3-Omni 骨干，取得最佳已发表表现；另一个包含 200 多个适配模型的集成，在成文时位列公开的 Algonauts 赛后排行榜第一。这两项结论对应不同模型配置与榜单背景，不应合并为单模型收益。具体评估指标、数据划分、被试信息及集成增益尚未验证。 可解释性方面，作者报告模态归因恢复了典型的感觉拓扑分布，且神经数据适配后，骨干对音频输入的利用及跨模态混合增加。这是作者对归因结果的解释，尚需正文中的分析协议与对照支持。 平台推测（待验证）：若目标 EEG 任务也具有连续刺激、时间对齐的神经响应和可复用的因果预训练骨干，该计算策略可能缓解重复滑窗开销，LoRA 则可能降低适配时的可训练参数量；这不等于已验证的 BCI 解码方法。迁移需重做 EEG 读出与时间对齐，并核对因果掩码及响应延迟处理。低信噪比、跨被试差异、通道配置和小样本可能限制收益。可先在固定数据划分与同一骨干下比较冻结读出和 LoRA，分别测量预测表现与计算成本；已有 EEG 相关工作尚未检索确认。全文中的实验协议、消融及统计信息尚未验证。