PermuFormer：用于组合数学中置换表征与推理的多任务 Transformer

基于摘要分析。该研究面向组合数学中的置换对象，提出直接处理置换的自回归 Transformer——PermuFormer，在同一模型中支持置换代数运算、统计量提取及不同置换表示之间的转换，并研究多任务学习中的表征对齐。 与面向数学文本的通用语言模型或仅处理单项结构化任务的模型不同，PermuFormer 围绕置换这一结构化数学对象覆盖多类任务，包括复合、求逆、长度或递增子序列等统计量的提取，以及编码间转换。摘要未披露具体编码、输入输出格式、训练数据规模、模型规模或损失细节，尚不能判断多任务训练与编码多样性各自的贡献。 作者报告，模型在多种置换编码和相关任务上取得较高准确率，并可作为基础任务及研究级任务微调的起点；摘要未给出具体分数、对照基线、数据划分或泛化测试范围，因此不能据此判断其对未见置换规模或新任务的泛化能力。实验协议、消融及统计信息尚未验证。 在表征分析方面，作者报告的证据并不支持模型始终收敛到单一、与编码无关的内部表征；不同编码之间的表征关系会随任务变化。这为考察多任务学习中表征对齐的任务依赖性提供了具体研究对象，但分析方法及证据强度仍需全文核对。 该工作的主要对象是组合数学中的置换，而非神经信号。摘要尚未建立其置换编码机制与 EEG 的通道变化、跨被试差异或解码任务之间的具体对应关系，因此不将其解释为已验证的 BCI 方法，也不据此提出迁移实验；相关 EEG 工作尚未检索确认。