ECHO：迈向大型 EEG 模型的上下文 Seq2Seq 范式

基于摘要分析。ECHO 针对大型 EEG 模型（LEMs）以编码器为中心、缺少相当容量的解码器而限制表征利用的问题，提出以解码器为中心的序列到序列（Seq2Seq）建模范式。其核心贡献是将信号、标签与任务之间的层次关系纳入序列空间，并通过离散支持样本构建上下文，使模型能够在不更新参数的情况下适应异构任务。 机制上，原文将已有 LEMs 概括为在大规模无标签数据上预训练编码器、提取通用表征的路线；ECHO 则强调解码端对这些表征的利用，以及支持样本提供的上下文线索。作者将这种能力称为上下文学习（in-context learning）。摘要未说明信号与标签如何序列化、任务如何编码、支持样本如何选取，也未提供解码器结构、损失函数及训练流程，具体实现尚未验证。无需参数更新不等于无需任务相关信息，复现时应核对支持样本的标签需求及其与查询样本的划分关系。 作者报告，在多个数据集的多任务设置中，即使采用基础模型组件，ECHO 仍持续优于其所称的最先进单任务 LEMs，并表现出更好的泛化与适应能力。摘要未提供数据集名称、被试规模、任务组成、指标数值或被试内、跨被试、跨会话、跨数据集协议，因此不能据此确定优势适用的具体场景，也不能直接推断其对未见被试或未见数据集的有效性。 全文核对重点包括：训练任务与评估任务的关系，支持样本数量及可用监督，单任务基线在多任务比较中的训练与推理条件，以及解码器容量、上下文构造各自的贡献。实验协议、消融及统计信息尚未验证；代码、权重与复现资源的可用性也尚未验证。