标签
本综述论文回顾了脑语言解码的发展，将神经活动转化为语言输出，用于交流恢复和科学研究，涵盖任务、方法、评估及未来方向。
本文发现了现代大语言模型与人类脑电图信号之间共有的效价轴（V-axis），表明LLM内部表示中的一个单一方向与对情感刺激的神经反应一致。它还识别了饱和规律，解释了为何基于LLM的监督无法改善脑电图解码，以及如何利用残差多样性提升性能。
Brain-IT-VQA 框架利用 Transformer 架构从 fMRI 信号中解码视觉内容，性能优于此前的方法。作者还引入了 NSD-VQA，这是一个新数据集，具有更丰富的标注，用于评估基于 fMRI 的视觉问答。
# 论文页面 - 元学习上下文学习实现无需训练的跨被试脑解码 来源：[https://huggingface.co/papers/2604.08537](https://huggingface.co/papers/2604.08537) 作者：,,,,,,,,,,,,, ## 摘要 一种元优化方法通过少量图像-脑示例快速推断个体独特神经编码模式，无需跨被试及扫描仪微调，即可实现可泛化的语义视觉解码。[视觉解码](https://huggingface.co/papers?q