∆ DELTA：基于语言扩散的 EEG-to-Text 架构

基于摘要分析。该研究针对 EEG-to-text 中的高维噪声、被试差异及自回归解码误差累积，提出 DELTA，将 Residual Vector Quantization（RVQ）EEG tokenizer 与掩码语言扩散模型 LLaDA 结合，以离散 EEG 表征和非顺序去噪重建文本。 机制上，RVQ 将连续 EEG 转换为多层离散 token；作者将其作用解释为降低噪声与个体差异。LLaDA 则通过非顺序去噪生成句子，区别于逐 token 的自回归解码。摘要未说明 EEG token 如何接入语言模型、两部分如何训练、掩码与去噪调度，以及是否使用预训练权重，因此这些实现细节尚未验证。 作者报告，在 ZuCo 的 word-level 条件下，DELTA 获得 BLEU-1 21.9、ROUGE-1 F 17.2；相对自回归基线，语义对齐最多提升 5.37 个分数点，但摘要未明确该提升对应的指标及具体对照配置，不能将其直接等同于 BLEU-1 或 ROUGE-1 F 的增量。被试内或跨被试协议、训练测试划分、被试数量及基线输入条件尚未验证。 作者据此提出，小规模 EEG-text 数据可支持可靠文本生成，并指向可扩展的多模态 EEG-language 模型；这些结论仍需结合全文的实验范围审视。复现时应重点核对 RVQ 与扩散解码各自的贡献、语言先验与 EEG 信息的贡献区分，以及不同被试和噪声条件下的稳定性。实验协议、消融及统计信息尚未验证，代码与模型权重的可用性也尚未验证。