UniMind：释放 LLM 的能力以实现统一多任务脑解码

基于摘要分析。UniMind 面向 EEG 多任务脑解码中任务异质性较强、预训练编码器往往仍需任务专用调优的问题，提出利用 LLM 理解 EEG 表征的通用 EEG 基础模型，旨在统一处理不同解码任务。 方法包含两个核心模块：Neuro-Language Connector 将 EEG 的时空神经活动模式转换为 LLM 可理解的表征；Task-aware Query Selection 动态生成任务自适应 query tokens，将任务信息引入跨模态理解，以学习不同任务相关的神经活动模式。摘要未说明具体 LLM、连接器结构、query 生成方式、训练目标，以及 LLM 是否冻结或参与微调，因此尚不能判断该方法如何平衡共享表征与任务特异性，也不能确认是否免除任务专用调优。 作者报告，在覆盖 10 个数据集的实验中，UniMind 相较最先进的多任务解码模型取得平均 11% 的增益。但摘要未列出数据集、任务组成、评估指标、平均方式和对照模型，也未说明该增益是相对提升还是百分点差异；被试内、跨被试、跨会话或跨数据集等划分背景尚未验证，不能据此推断具体泛化能力。作者还报告模型可提供有关跨任务神经功能关联的洞见，但相关分析方法及证据尚未验证。 复现时需核对任务信息的输入方式、各数据集的预处理与通道对齐、训练与测试划分，以及两个核心模块的消融结果。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，不代表当前已有可用实现或模型权重。