Bit Budget：EEG 在冻结语言先验之外增加了多少信息？

基于摘要分析。本文研究 EEG-to-text 系统生成的文本究竟包含多少来自 EEG、而非语言先验的文本特异性信息，提出校准框架 Bit Budget，将神经信号到语言的解码视为通信信道测量问题，量化冻结语言先验之外依赖输入证据的信息贡献。 核心思路是把语言生成表现与神经证据依赖分开评估：生成流畅文本不自动意味着系统利用了 EEG 中的语言信息。摘要强调校准信息测量与显式证据破坏对照，但信息估计公式、冻结先验的具体模型、EEG 表征方式及校准过程尚未验证。 作者报告，在 ZuCo corpus 上，gaze 提供了显著的 0.107 bits/token 信息下界，而所评估 EEG 表征为 0.000 bits/token，未检测到显著证据依赖。在独立的 COFETT corpus 上，同一框架测得注入的文本相关信号为 0.149 bits/token；真实 EEG 在所评估条件下仍处于 ±0.004 bits/token 范围。gaze 与注入信号对照支持该框架在这些条件下能够检出文本相关信息，但不同语料与条件的数值不能直接作为解码性能排名。 作者还报告，EEG 表征在四分类任务／会话身份解码中达到 82.1% Balanced Accuracy，说明该表征含有可解码的结构化信息，却未在当前测量中转化为可检测的 token 级语言证据。该结果不等于 EEG 完全没有语言信息，也不能直接推广至所有 EEG-to-text 系统。 复现时需核对语言先验是否保持冻结、信息下界的估计与显著性检验、证据破坏方式、注入信号构造，以及任务／会话身份分类的数据划分。被试数量、被试内或跨被试协议、训练与测试划分、消融及统计信息尚未验证。本文主要贡献是提供补充性的评估视角，而非证明某种 EEG 解码模型具有更高文本生成性能。