Model Stock：只需少量微调模型

基于摘要分析。本文研究大型预训练模型微调后的权重融合问题，提出 Model Stock，以少量微调模型构造最终权重，旨在兼顾分布内（ID）与分布外（OOD）性能，并减少依赖大量模型进行平均的成本。原论文的主要验证对象是基于预训练 CLIP 架构的微调模型，并非 EEG 或 BCI。 核心机制是利用微调权重空间中的几何关系：作者认为，模型性能与权重接近该空间中心的程度存在强关联。据此，Model Stock 使用两个微调模型，通过逐层权重平均近似靠近中心的权重，且可在训练期间或训练结束后应用。摘要未提供中心的具体定义、逐层融合系数及其推导，也未说明模型初始化、微调配置与权重对齐条件，这些均需全文核对。 作者报告，在基于预训练 CLIP 的标准基准 ID 与 OOD 评估中，Model Stock 优于 Model Soup 等方法，并仅增加很少的计算开销。摘要未列出具体数据集、划分、Accuracy 数值或成本计量方式，因此不能量化提升或判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。材料声明代码与预训练模型已公开，但实现细节与复现条件尚未核验。 平台推测（待验证）：若 EEG 模型由同一预训练权重出发、架构一致且权重可直接对应，逐层融合可能成为减少多模型集成推理成本的候选方法；这是假设，不是已证实的 BCI 效果。可复用部分是权重空间分析与逐层平均，需重新验证的部分包括融合系数和模型选择策略。EEG 的低信噪比、跨被试差异、通道配置变化及小样本微调可能使权重几何关系不稳定。一个可证伪的小实验是固定预训练模型与数据划分，仅在训练被试上产生两个微调模型并确定融合规则，在留出被试上比较单模型、简单权重平均与 Model Stock，记录相同指标及总训练和推理成本。已有 EEG 相关工作尚未检索确认。