CaFE：时序基础模型的结构化能力评估

基于摘要分析。本文研究时序基础模型（TSFMs）的预测评估问题，提出可刷新的能力导向评估扩展 CaFE（Capability-Focused Evaluation），以原始基准数据为基础构造具有不同结构特征的评估样本，并结合预测误差与干预响应刻画模型能力，而非仅依赖单一排行榜分数。 CaFE 首先分析原始基准，定义八项描述时序结构的 Structural Features（SFs）。随后针对各项 SF，依据其结构支持范围对原始数据重采样，去除分布边缘样本，再通过改变该特征的显著程度进行增强。进一步筛除分布外样本并保留多样性后，形成刷新的评估集。评估同时使用常规预测误差指标与干预响应指标，为每个模型提供逐特征能力画像。摘要未列出八项 SF 的具体定义、增强算子、分布筛选阈值或干预响应指标公式，相关实现尚未验证。 作者报告，在 GIFT-Eval 与 FEV-Mini20 上，CaFE 得到了稳定的评估结果，并揭示了总体分数掩盖的逐特征优势与弱点；在按结构条件筛选的真实数据上，由 CaFE 选择的模型优于按总体排行榜选择的模型。摘要未提供具体数值、稳定性的统计定义、数据划分及模型选择协议，实验协议、消融及统计信息尚未验证。文中关于固定基准反复使用可能诱发针对性调优的论述是研究动机，不能据此认定任何参评模型存在测试集泄漏。 平台推测（待验证）：结构条件化评估可能用于检查 EEG 时序预测模型是否过度依赖特定时间结构，但原任务是通用时序预测，并非 BCI 解码。可复用的是结构分层与能力画像的评估思路；需重新验证结构特征及增强操作是否保留 EEG 生理意义，尤其要防范低信噪比和跨被试差异使干预响应失真。一个小规模可检验实验是在固定跨被试划分下，比较结构条件化选模与总体误差选模在独立真实 EEG 预测数据上的表现；这不构成对分类或 BCI 控制效果的验证。已有 EEG 相关工作尚未检索确认。