SuPER-Mamba：基于惊异度优先级的 Mamba 扩展上下文路由

基于摘要分析。本文研究预训练 Mamba 模型在上下文增长时性能下降的问题，提出无需额外训练的 SuPER-Mamba，利用模型自身的 Surprisal（惊异度）信号确定长程状态路由的更新优先级。原论文面向长序列处理与 LongBench-E 评估，并非 EEG 或 BCI 研究。 机制上，该方法从下一 token 预测计算逐位置 Surprisal，通过 Local Pooling 聚合邻近位置的响应，再以所得分数优先安排 Global-Channel 更新，不依赖查询相关评分，也不进行额外训练。其核心思路是将预测中的意外程度用作状态更新的选择依据；Surprisal 的具体定义、池化窗口、Global-Channel 的实现及推理开销尚未验证。 作者报告，在三个状态空间模型上的 LongBench-E 评估中，平均分由 Base Models 的 8.06 提升至 15.69，相对增益为 94.7%；相较作者所称的现有最先进基线，提升为 13.1%。这些是该基准条件下的汇总得分，不应解释为 Accuracy 或百分点变化。作者还报告消融和按序列长度开展的分析支持该路由框架，但摘要未给出具体模型名称、任务分项、长度配置、基线身份及统计信息，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 序列模型具有可靠的下一步预测分布及可控制的状态更新接口，这一机制或可用于缓解长时序信息保留问题；可复用部分是局部聚合与按分数分配更新，需改造的是连续 EEG 的预测目标、Surprisal 定义及通道处理。假设高 Surprisal 对应有用事件，但低信噪比、伪迹、跨被试分布差异、通道变化和小数据下的预测失准均可能使其优先保留噪声。可在固定训练与数据划分下，对同一 EEG 预测模型比较原始更新、Surprisal 路由及随机路由，并检查长序列表现与伪迹敏感性。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。