OmniMouse: Scaling properties of multi-modal, multi-task Brain Models on 150B Neural Tokens
Konstantin F. Willeke, Polina Turishcheva, Alex Gilbert, Goirik Chakrabarty, Hasan Bedel, Paul Fahey, Yongrong Qiu, Marissa Weis, Michaela Vystrčilová, Taliah Muhammad, Lydia Ntanavara, Rachel Froebe, Kayla Ponder, Zheng Huan Tan, Emin Orhan, Erick M Cobos, Sophia Sanborn, Katrin Franke, Fabian Sinz, Alexander S Ecker, Andreas Tolias
ICLR 2026 主会 · 官方论文集
OVERVIEW
论文概览
在大规模小鼠视觉皮层记录上统一神经预测、行为解码与预测未来活动，检验脑模型的数据与参数扩展规律。
ABSTRACT
中文摘要
扩大数据与人工神经网络规模推动了语言和视觉 AI 的突破，但类似原则是否适用于脑活动建模仍不清楚。我们利用来自 73 只小鼠、323 个 session、视觉皮层 310 万神经元的数据集，包含自然电影、图像、参数化刺激和行为期间记录的超过 1500 亿神经 token。我们训练多模态、多任务模型，在测试时灵活支持神经响应预测、行为解码、未来神经活动预测，或这三者的任意组合。OmniMouse 在几乎所有评价设置中优于专门基线，取得先进表现。我们发现，增加数据可以稳定改善性能，而扩大模型的收益会饱和。这与标准 AI 的规模叙事相反：语言与计算机视觉拥有海量数据，参数扩展成为主要驱动力；脑建模中，即使是相对简单的小鼠视觉皮层，尽管记录庞大，模型仍受数据限制。系统性规模变化还提示神经建模可能存在相变，更大、更多样的数据或许能够解锁性质不同的新能力，类似大型语言模型中观察到的涌现性质。代码已公开。
RESEARCH RELEVANCE
与你研究的关系
论文事实：真实小鼠视觉皮层记录、刺激与行为被置于同一多模态多任务接口，并分别测量数据量和参数量扩展。研究推断：你的任意模态子集模型可采用类似任务掩码接口，但应单独估计配对数据多样性、被试数量和模型容量的收益。
LIMITATIONS
局限与核查重点
证据来自小鼠视觉皮层钙成像，不能直接外推至人类 fMRI/EEG 或开放语义重建；未来相变属于研究展望而非已证实结果。论文集神经元计数为 310 万，项目页旧版本可能为 230 万，应以正式论文版本为准。
SOURCE
来源与原文
ICLR 2026 主会 · 官方论文集
Konstantin F. Willeke, Polina Turishcheva, Alex Gilbert, Goirik Chakrabarty, Hasan Bedel, Paul Fahey, Yongrong Qiu, Marissa Weis, Michaela Vystrčilová, Taliah Muhammad, Lydia Ntanavara, Rachel Froebe, Kayla Ponder, Zheng Huan Tan, Emin Orhan, Erick M Cobos, Sophia Sanborn, Katrin Franke, Fabian Sinz, Alexander S Ecker, Andreas Tolias. OmniMouse: Scaling properties of multi-modal, multi-task Brain Models on 150B Neural Tokens. ICLR 2026 主会 · 官方论文集. https://proceedings.iclr.cc/paper_files/paper/2026/hash/d97122f599bdc6250c2334fa89c71606-Abstract-Conference.html