ICML 2026 × 脑科学

现有自监督 fMRI 基础模型通常依赖固定脑图谱来统一不同数据集的空间结构，但图谱选择会限制空间分辨率，也难以适应不同扫描协议与覆盖范围。Omni-fMRI 提出图谱无关的体素级建模框架，以动态 patching 处理不同空间形状和分辨率，并在来自 9 个数据集的 49,497 个扫描 session 上预训练。作者随后在 11 个静息态与任务态数据集上评估迁移能力。结果显示，该模型能够在无需固定分区的条件下学习可复用表征，并在多项下游任务上持续优于已有 fMRI 基础模型。

该工作研究如何让大语言模型稳定利用低时间分辨率且高噪声的 fMRI 信号生成文本。BIT-LLM 通过脑指令微调建立脑活动与语言生成之间的映射，并设计 persistent cross-attention，使解码过程中每一层或多个生成阶段都能重新访问脑表征，减少长文本生成时神经条件逐渐消失的问题。模型把神经编码器与语言模型结合，在 fMRI 到文本任务中评估语义恢复和语言质量，旨在同时保留脑信号约束与预训练语言模型的生成能力。

EEG 具有高时间分辨率，fMRI 则提供更完整的空间信息，但配对采集昂贵且不同研究之间差异显著。作者提出统一的 EEG-to-fMRI synthesis 框架 UniEFS，在单一模型中接收 EEG 与人口统计、生理状态等上下文条件，学习跨被试、跨数据集的共享映射，同时保留个体与状态差异。目标是从 EEG 重建全脑 fMRI 动态，使模型不仅适用于固定队列或单一实验，还能在异质数据中迁移。实验围绕重建质量、条件信息贡献以及跨数据情境泛化展开。

多数脑到文本模型只利用短时间窗，难以学习语言过程跨句子和跨分钟的结构。MEG-XL 将每个样本的上下文扩展到约 2.5 分钟，比常见设置长 5 至 300 倍，并在约 19.1 万个 token 的连续神经—语言数据上进行长上下文预训练。作者报告，在仅使用约 1 小时标注数据微调时，模型可达到传统监督方法使用约 50 小时数据的水平，并优于若干脑信号基础模型，说明上下文规模可能比单纯增大参数更能提升数据效率。

ViEEG 认为，将 EEG 直接映射到单一整体视觉嵌入会忽略视觉系统由低层形状到高层语义的层级结构。模型把刺激图像分解为轮廓、前景物体和上下文场景三类视觉锚点，并为其建立三条 EEG 编码流，再通过跨注意力路由交换不同层级的信息。该设计试图模拟视觉皮层中的渐进式加工，使脑信号表征同时支持低层视觉恢复与高层语义解码。实验比较了不同层级锚点和路由模块的贡献。

EEG 基础模型的扩展受到数据异质性、标签稀缺和不同任务定义不一致的限制。Neuro-KE 提出无标签知识整合策略，将多来源 EEG 中可共享的结构性信息注入统一预训练过程，减少对统一人工标注体系的依赖。模型面向跨数据集和跨任务迁移，重点检验随着数据规模与知识来源增加，表征能否持续改善，而不是只在单一基准分类上优化。该工作把 EEG 基础模型的规模化问题从“收集更多标签”转向“如何融合可迁移知识”。

EEG 基础模型快速增加，但论文往往使用不同数据处理、微调协议和任务集合，难以公平比较。EEG-FM-Bench 建立覆盖 14 个数据集和 10 类实验范式的标准化评估框架，对多种代表性基础模型进行统一微调与诊断。除下游性能外，基准还分析表征中的时空交互、跨任务共享结构和神经心理学先验。结果提示，显式建模时空关系、多任务训练和引入神经科学先验通常更有利于泛化，并暴露出部分大模型在跨数据集条件下并不稳定。

传统 fMRI 解码常把体素展平为一维序列，从而丢失皮层表面的邻接和解剖组织。该方法先把脑信号映射到球面皮层表示，再以结构引导的 mixture-of-experts 建模不同区域的专门功能。作者在 NSD 上报告，模型可用约 10 个训练 epoch 达到与强一维模型约 600 个 epoch 相当的水平，并在新被试仅使用约 20% 数据时保持竞争力。消融结果表明，解剖结构先验是性能提升的主要来源。

该工作研究与 brain-to-image 相反但互补的 image-to-brain 任务：给定视觉图像，生成相应 EEG 或 MEG 信号。模型以 diffusion transformer 和 DDIM 为生成骨架，通过跨注意力把脑信号潜变量与拼接后的 CLIP 图像、文本嵌入对齐，并加入可学习的时空位置表示以适应不同传感器与时间点。实验评估生成信号的分布、可解码性及与真实神经响应的一致性，目标是为视觉假体模拟和脑编解码闭环训练提供可控数据。

作者认为，许多 EEG 基础模型沿用文本式 token 化与掩码重建，可能破坏连续波形和频谱结构。JET 使用 conditional flow matching 学习从噪声到原始 EEG 的连续生成轨迹，并把频谱一致性、局部平稳性与统计结构写入训练目标。模型在多个 EEG 基准上评估信号生成和表征迁移，作者报告时间序列 FID 改善超过 40%，同时显示生成式预训练能够支持下游任务。

语言和语音模型的中间层往往最能预测 fMRI 或 ECoG 响应，但其原因并不清楚。作者比较模型层级、训练阶段、内在维度与语义信息，发现脑对齐与表征抽象程度同步增加，而不是简单随下一词预测性能变化。该关系在预训练过程中逐步出现；进一步用脑数据微调模型，会因果性地提高相关层的内在维度和语义内容。结果支持一种解释：模型与大脑的对齐来自对跨表面形式共享意义的抽象。

作者用不同规模及不同压缩方式的语言模型预测语言任务中的脑活动。结果显示，约 3B 参数的小型语言模型在脑预测性上可接近更大的 14B 模型，而 1B 模型的下降主要出现在语义相关区域。量化和剪枝通常对脑预测性影响有限，但某些方法（如 GPTQ）会带来更明显损失。一个重要现象是：压缩可能降低语言学探针得分，却不一定同步降低脑预测性，说明常用语言能力指标与神经对齐并非同一维度。

该研究跨视觉、语言等模态比较 630 个模型，并结合 NSD fMRI 数据构建超过 6000 万次模型—脑测量。作者发现，脑对齐常在任务性能达到最终水平之前出现，不同模态的模型会优先对齐不同脑区，而规模与训练阶段会系统改变这种关系。这些结果被解释为人工模型和生物系统在相似任务约束下形成部分收敛表征的证据，并提供了用训练轨迹而非单个最终模型研究脑对齐的新范式。

现有脑建模通常把编码与解码拆成独立任务，并依赖单模态对齐与外部生成先验。BrainJanus 提出统一脑 tokenizer，把连续神经动态量化为与视觉和语言表征共同对齐的离散 token；随后使用 All-in-One 自回归架构，通过统一的下一 token 预测支持图像到脑、文本到脑、脑到图像和脑到文本的任意方向生成。作者报告模型在多种基准上取得更好的综合表现，并展示零样本泛化以及具有生物拓扑可解释性的表征。

Mind-Omni 针对既有脑模型任务割裂的问题，提出脑 tokenizer，把异质连续脑信号转换为标准化离散 token，并通过共享语义空间实现脑、图像和文本之间的 token 级交互。统一的离散扩散骨干覆盖七类编码与解码任务，同时加入专门构建的 Brain Question Answering 指令数据以增强推理。作者报告该模型在多任务统一框架中取得新的最佳结果，并观察到联合训练带来的任务协同，部分任务能够达到或超过参数规模更大的专用模型。

EEG 数据在导联布局、采集设备、任务范式与标签空间上高度异质，使单一预训练数据或单一教师模型难以形成通用表征。EmBrace 以集体知识融合为核心，把多个数据来源和模型中的互补知识整合进统一 EEG 基础模型，并在下游任务中评估可迁移性。该框架关注的重点不是继续扩大某个单数据集模型，而是如何在不抹平数据差异的条件下形成可复用的共享神经表征。

颅内神经记录具有高时空分辨率，但不同患者的电极位置与数量差异显著。既有基础模型往往把电极独立处理，或过度压缩成单一全脑 token，难以利用功能相似通道之间的结构。NeuroCLUS 引入功能聚类，把具有相似响应模式的电极组织为更稳定的功能单元，并在大规模无标签数据上学习可迁移表征，随后用于多种 iEEG 下游解码任务。

该工作指出，传统 channel-first EEG 架构把传感器视为独立特征，难以适应电极布局变化。Brain Signal Rendering 将原始 EEG 转换为结构化时空张量“频谱视频”，保留电极几何与神经拓扑，再使用 VideoMAE 进行自监督预训练。作者通过被试级少样本学习和跨 montage 微调评估泛化，报告该表示显著优于既有频谱方法，说明视频基础模型的时空先验能够迁移到 EEG。

EEG 记录包含大量高频噪声与跨被试差异，掩码自编码或自回归波形重建容易把随机波动当作学习目标。PATCHCODE 先学习离散潜码，再在潜空间进行 patch 级预测，使预训练更关注跨时间和跨样本稳定出现的结构，而不是逐点恢复信号。模型面向可迁移 EEG 基础表征，并通过多类下游任务验证离散预测学习的有效性。

EEG 多模态学习需要整合脑信号与面部表情、音频或其他生理模态，这些数据往往具有不同层级结构。EEG-MoCE 为每种模态分配一个具有可学习曲率的双曲空间专家，使模型自适应其内在几何；随后以曲率感知融合策略动态加权专家。作者在情绪识别、睡眠分期和认知评估等基准上报告最佳表现，说明非欧几何可用于表示异质多模态层级。

作者提出细粒度输入归因方法，识别哪些词最影响模型对人脑活动的预测，并用它分析脑对齐与下一词预测的关系。结果显示，两者依赖的词集合大部分不同：下一词预测更受近因、首因和句法信息影响，而脑对齐更重视语义及篇章层信息，并呈现更有选择性的近因效应。该方法可扩展到其他语言加工任务，用于判断模型预测中哪些输入成分具有认知相关性。

该工作使用稀疏自编码器把深度模型中的密集表征分解为更可解释的稀疏特征，并将这些特征与脑活动对齐，以研究通用视觉概念如何在网络训练和层级中逐渐专门化。BrainMap 不只比较整层表示相似度，而是把对齐落实到可命名、可定位的概念单元，为分析人工模型与脑表征的共同组织提供细粒度工具。

深度网络是感觉系统神经响应的重要定量模型，但监督训练与生物学习机制并不匹配。作者考察真实世界无监督模型在分布外刺激上的神经预测能力，比较其对新视觉条件的泛化，并报告无监督表征能够比传统监督模型更稳健地解释部分脑响应。这为用生态数据和自监督目标建立更可信的神经编码模型提供证据。

ROAMM 在自然多页阅读过程中同步采集约 50 小时 EEG 与眼动数据，覆盖 44 名参与者，并包含阅读理解得分和片段级走神标注。作者建立留一被试评估的走神检测基准，监督模型最高达到 0.609 AUROC；同时评估阅读片段的 EEG-to-text 解码，发现走神阶段的文本解码性能下降。该数据集可用于自然语言脑解码、跨被试建模以及注意状态对语言表征的影响研究。