DIVER-1：大规模电生理记录的深度整合

基于摘要分析。本文针对 EEG 和 iEEG 基础模型训练规模有限及计算资源如何分配的问题，提出 DIVER-1 模型系列，并研究模型规模、数据量与训练时长之间的关系。其主要贡献包括大规模电生理预训练、该领域的系统性规模规律分析，以及面向电生理信号的架构设计。 训练规模方面，摘要列出 5.3k 小时 iEEG、54k 小时 EEG，以及 1.6M 通道小时和超过 17.7k 名被试，模型规模最高达 1.82B 参数。小时与通道小时是不同统计口径，不应直接互换；各模型使用的数据组合、数据清洗及训练划分尚未验证。作者将该语料称为截至当时规模最大、最多样的语料，但这一比较尚未独立核实。 核心发现是数据受限的规模规律：作者报告，在给定数据量与计算预算下，较小模型训练更多轮次，持续优于较大模型短时间训练。该结论关注模型容量与训练时长的联合配置，而非单纯扩大参数量；摘要未提供具体计算预算、训练轮次、比较配置或规律拟合结果，适用范围仍需核对全文。作者称这是该领域首次系统性规模规律分析，此优先性主张尚未独立核实。 架构创新包括 any-variate attention、sliding temporal conditional positional encoding 和 multi-domain reconstruction。摘要未展开这些模块的计算机制、重建目标、损失形式及训练和推理流程，因此不能据名称推断其是否解决通道变化、跨被试或跨数据集泛化问题。 作者报告，DIVER-1 的 iEEG 与 EEG 模型分别在各自基准上达到最先进表现；但摘要未给出基准名称、下游任务、指标、数值、对照基线，以及被试内、跨被试或跨会话等划分协议，尚不能判断其对具体 BCI 任务的收益。实验协议、消融及统计信息尚未验证；代码、权重可用性与复现所需算力也尚未验证，不能据此视为已发布模型权重。阅读全文时应重点核对规模规律比较是否采用可比的计算预算，以及预训练与下游评估的数据划分。