BLM：用于跨空间、跨任务与跨具身学习的无界大模型

基于摘要分析。本文研究数字空间与物理空间之间、不同任务及机器人具身之间的统一学习问题，提出多模态空间基础模型 Boundless Large Model（BLM₁），尝试在保留指令遵循和推理能力的同时，融入具身知识并支持跨具身控制。主要研究对象是具身智能与机器人控制，而非 EEG 解码或 BCI。 方法采用两阶段训练：第一阶段利用经过整理的数字语料向多模态大语言模型（MLLM）注入具身知识，同时维持语言能力；第二阶段通过 intent-bridging interface（意图桥接接口）提取 MLLM 的高层语义来指导策略模块训练，不微调 MLLM 主干。其核心设计是将高层语义与低层控制衔接，具体接口表示、策略结构、损失函数及训练规模尚未验证。 作者构建了覆盖四种机器人具身、六项难度递增任务的自采集示范套件。作者报告，在数字与物理基准评估中，单个 BLM₁ 实例优于 MLLMs、ELLMs、VLAs 和 GMLMs 四类模型，数字任务增益约为 6%，物理任务约为 3%。摘要未明确这些增益对应的指标、聚合方式，以及属于相对提升还是百分点变化，不能据此作跨协议比较。数据划分、未见任务与未见具身的测试条件、对照配置、消融及统计信息尚未验证；代码、权重和数据开放情况也未获确认。 平台推测（待验证）：高层意图与执行策略解耦的机制，可作为 BCI 辅助机器人控制的设计参考，但需要额外建立神经信号到意图接口的可靠映射。原研究依赖数字语料和机器人示范，摘要未提供神经信号实验，不能将跨具身结果视为跨被试或跨会话 EEG 泛化证据；低信噪比、意图误判和控制延迟均可能阻断迁移。相关 EEG 工作尚未检索确认。