FLORA：通过多模态神经嵌入实现视觉脑解码的统一通用模型

基于摘要分析。该研究针对 EEG、MEG 与 fMRI 等神经数据难以同时配对采集、现有方法多独立处理各模态的问题，提出端到端通用模型 FLORA，旨在整合跨模态神经数据并构建统一神经表征，用于视觉脑解码。 机制上，FLORA 结合多模态大语言模型（MLLMs）、多模态适配器与专门的扩散模型解码器，支持神经信号检索和视觉刺激重建等下游任务。摘要未说明各模态的输入编码方式、配对或非配对数据的使用方式、统一表征的对齐目标，以及不同任务的训练与推理流程，这些实现细节尚未验证。 作者报告，在所评估的下游任务中，FLORA 的表现优于单模态方法；但摘要未提供数据集、被试数量、被试内或跨被试划分、对照配置及具体指标，因此无法判断收益幅度与适用范围。作者还表示，借助高性能模型可减少对齐与融合层的参数量，实现成本较低的微调，并便于接入额外模态与数据集；具体可训练参数量、计算开销及扩展实验尚未验证。 复现时应重点核对跨模态数据如何组织、训练与测试是否涉及相同刺激或被试、各单模态基线的数据与预训练条件是否一致，以及 EEG 单独输入时的表现。作者提供了匿名代码链接，但代码可用性、运行依赖、数据获取条件、消融及统计信息尚未验证。该工作的直接研究对象是视觉脑解码，摘要尚不能支持其对其他 BCI 任务有效的结论。