CerebraGloss：通过指令微调大型视觉语言模型实现细粒度临床 EEG 解读

基于摘要分析。研究面向临床 EEG 解读费时、具有主观性，以及现有计算模型多局限于狭窄分类任务的问题，提出用于细粒度解释的指令微调大型视觉语言模型 CerebraGloss。其主要贡献是自动生成 EEG 图像—文本指令数据，并将波形描述与多轮、上下文感知对话纳入统一的生成式分析框架。 技术路径：作者构建自动数据生成流程，使用定制的 YOLO 波形检测器，程序化生成大规模 EEG—文本指令语料，再据此进行模型指令微调。该路径旨在缓解 EEG 可视化与专家级细粒度标注配对数据稀缺的瓶颈；但基础模型、图像表示、文本生成及质量控制流程、训练损失和语料规模在摘要中未明确，尚未验证。作者将统一生成式 EEG 分析能力称为同类首次，这一优先性主张尚未独立核实。 评估与结果：作者构建并发布开放式 EEG 解读基准 CerebraGloss-Bench。作者报告，在该基准上优于包括 GPT-5 在内的领先大型视觉语言模型，并在 TUSZ seizure detection 任务上达到新的最佳水平。摘要未提供具体指标、分数、数据划分、被试内或跨被试设置及基线配置，因此不能量化提升幅度，也不能直接比较两类任务的表现。 验证与复现：作者声明模型、基准与工具已公开，可作为复现入口，但尚未核验其完整性。需进一步核对自动生成标注与专家判断的一致性、开放式回答的评价标准、训练与测试数据隔离，以及不同设备、通道配置和临床场景下的稳定性。实验协议、消融及统计信息尚未验证；现有摘要结果不等同于临床有效性或安全性验证，也不构成 BCI 在线解码性能的证据。