EmbedLLM：学习大语言模型的紧凑表示

基于摘要分析。EmbedLLM 研究如何为大语言模型学习可复用的紧凑向量表示，以减少面向不同下游任务反复学习模型专用表示的时间与计算开销。其主要研究对象是大语言模型本身的表示，而非文本样本或神经信号的表示。 方法采用 encoder-decoder 框架学习模型嵌入，并提出系统性的评估框架，考察这些嵌入在涉及多个模型的应用中的效用，例如 model routing（模型路由）。摘要未说明编码器输入、解码目标、损失函数、嵌入维度，以及新模型接入时需要哪些观测信息，这些是判断表示学习成本和可扩展性的关键核对项。 作者报告，在其模型路由实验中，EmbedLLM 优于既有方法；还可在不产生额外推理成本的条件下预测模型在多个 benchmark 上的表现。作者报告，探测实验显示，嵌入能捕捉模型是否擅长 coding tasks 等特征，即使训练时未显式针对这些特征进行学习。摘要未提供具体模型集合、benchmark 名称、划分方式、对照方法或量化指标，因此尚不能判断优势幅度、对未见模型的泛化能力，以及“额外推理成本”的核算范围；实验协议、消融及统计信息尚未验证。 作者称已开放数据集、代码及 embedder，但所给材料未包含相应资源地址，具体复现条件尚未验证。该工作属于通用模型表示学习，摘要未提供 EEG 或 BCI 验证，也未建立针对神经信号任务的具体机制对应关系，不宜将其结果解读为 BCI 模型选择或跨被试泛化的有效性证据。已有 EEG 相关工作尚未检索确认。