迈向无限及更远：工具使用释放状态空间模型的长度泛化能力

基于摘要分析。本文研究 State Space Models（SSMs）在长序列生成中的能力边界，核心贡献是分析固定大小记忆带来的理论限制，并提出通过交互式访问外部工具改善长度泛化。主要研究对象是通用序列建模中的算术、推理与编程任务，而非 EEG 或 BCI。 理论机制：SSMs 依靠固定大小记忆及计算复杂度随序列长度线性增长获得效率优势。作者报告，在论文形式化定义的“真正长篇生成”问题范围内，SSMs 无法准确求解；这一结论不能直接扩大为所有长序列任务均不可解。作者进一步报告，若具备适当的工具访问方式以及依赖具体问题构造的训练数据，SSMs 可以学习求解任意可处理问题，并泛化至任意问题长度或复杂度。上述结论的计算模型、工具能力、数据条件及证明适用范围需结合全文核对。 实证证据：作者报告，工具增强的 SSMs 在多种算术、推理和编程任务上呈现显著的长度泛化能力。摘要未提供具体模型、工具接口、数据集、训练与测试长度划分、对照基线或量化指标，因此尚不能判断泛化幅度，也不能据此确认其相对 Transformers 的性能或总体计算成本优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制是将有限内部状态与外部可访问存储或计算工具结合，而不是直接将通用任务结果视为 BCI 效果。若用于长时 EEG 分析，需要改造工具接口、信号分段与监督方式，并核对外部访问的延迟和计算成本；低信噪比、跨被试差异、通道变化及小数据可能使工具调用策略失效。一个可检验的小实验是在固定被试内划分下，用短序列训练、较长序列测试，对比同一 SSM 有无外部历史片段检索时的任务指标与延迟，保持训练数据和可访问历史范围一致。该假设不等同于原论文的理论保证，已有 EEG 相关工作尚未检索确认。