从表征到能力：EEG 基础模型缺少什么？

基于摘要分析。该研究关注 EEG 基础模型虽面向广泛迁移进行预训练，但下游表现仍不均衡的问题，提出在骨干内部插入由任务标签训练的低秩残差适配器，将预训练表征中可读出的信息转化为任务性能。 研究动机来自生理描述符分析：作者报告，在冻结的分类器输入特征上加入生理描述符可改善预测，且相同描述符类别可从所评估的不同骨干中恢复；部分内部位置对这些描述符的读出能力强于分类器输入位置。这提示最终输出未必充分利用内部已有信息，但摘要尚不足以确认描述符可读性与任务收益之间的因果关系。 方法上，适配器在骨干内部进行低秩残差更新，训练仅使用任务标签，预训练权重和分类器保持固定。作者报告，较优更新深度随模型与任务而变化，通过任务验证选择深度所得性能接近表现较好的固定放置方案。 作者报告，在四个骨干、四项任务的评估中，仅训练数千个参数即可在多数设置下改善性能；在相同参数预算下，内部更新在多数成对比较中优于结构化最终输出处的更新。摘要未提供具体模型、任务、数据集、被试数量、指标或提升幅度，因此不能判断收益在跨被试、跨会话等协议中的适用范围。 复现时需核对生理描述符定义与读出方式、适配器结构和插入位置、深度选择的验证划分、同预算对照配置，以及冻结分类器的来源与训练流程。实验协议、消融及统计信息尚未验证；现有结论支持进一步考察内部轻量适配，但不宜扩展为所有 EEG 基础模型均适用的结论。