EEG-FM-Bench：用于系统评估 EEG 基础模型的综合基准

EEG-FM-Bench 针对 EEG 基础模型评估协议不一致、迁移效率与规模效应缺少诊断分析的问题，提出统一评估体系，将下游性能比较与梯度、表征分析结合。基于摘要分析，未取得论文全文。 基准覆盖 14 个数据集、10 种范式，纳入多种微调策略、任务组织方式和分类器配置，并提供梯度与表征分析工具。其主要贡献是评估协议与诊断框架，而非发布新的预训练模型；摘要未列出具体数据集、模型清单、被试数量及数据划分，无法判断各项比较属于被试内、跨被试、跨会话还是跨数据集协议。 作者报告，多任务学习在数据稀缺的 EEG 场景中通常可发挥正则化作用、缓解过拟合，但某些任务范式下会出现负迁移。作者还报告，重建目标与下游任务之间的梯度冲突限制了当前预训练效率。在使用已发布检查点、匹配下游评估协议的条件下，作者报告，模型规模或数据规模本身不足以充分解释迁移表现，目标对齐、适配兼容性与 EEG 专用设计似乎也是重要因素。摘要未提供具体性能指标、效应量或统计不确定性，因此这些结论不能扩展为所有 EEG 基础模型的普遍规律。 复现时需核对各模型检查点及其预训练数据覆盖、下游划分与微调预算、分类器配置，以及梯度冲突和表征分析的定义。材料提供了代码地址，但代码内容、实验协议、消融及统计信息尚未验证。该基准可作为比较 EEG 基础模型迁移表现的评估起点，其对具体 BCI 任务的适用范围仍需结合所覆盖范式与协议判断。