VLFEEDBACK-EEG：将神经信号用作视觉语言模型对齐的隐式反馈

基于摘要分析。该研究关注 EEG 能否作为大型视觉语言模型（LVLMs）对齐的隐式偏好反馈，提出并公开发布 VLFEEDBACK-EEG，将 21 名参与者的 EEG 记录与 LVLMs 偏好标注配对，为利用生理信号研究多模态对齐提供数据资源。作者将其称为首个此类数据集，该优先性声明尚未独立核实。 在成对评价情境下，作者报告 EEG 特征包含偏好信息，且与人类判断的对应关系比与 AI 生成标注更接近。这支持进一步研究 EEG 与主观偏好的关联，但摘要未说明偏好任务细节、刺激与记录流程、特征提取方式，以及人类和 AI 标注的生成与比较方法。 作者还探索了 EEG 与预训练奖励模型的融合。作者报告，融合结果尚未超过仅使用奖励模型的基线，但真实 EEG 持续优于噪声对照，并据此认为生理信号可能提供互补的偏好信息。应区分这两层证据：相对噪声对照的优势不等于对奖励模型带来有效增益，也不能直接视为已经改善 LVLMs 对齐；摘要未提供具体指标、效应大小或下游对齐结果。 复现时需核对 EEG 预处理与时序对齐、偏好标签定义、训练与测试划分是否隔离被试或刺激、奖励模型及融合方法、噪声对照构造，以及数据许可和访问条件。被试内、跨被试或跨会话评估协议、消融及统计信息尚未验证。当前明确贡献是面向多模态偏好研究的数据资源与探索性分析，而非已验证有效的 EEG 驱动对齐算法。