Mind Lab 提出 BrainLoRA，以 PEFT 微調 104B 參數模型進行腦部編碼

研究在做什麼

腦部編碼模型旨在預測刺激引發的神經反應。傳統方法多從凍結的預訓練骨幹中提取特徵並擬合讀出層，但直接使用神經資料從頭訓練或全參數微調大型模型因資料昂貴且有限而困難。Mind Lab 的研究顯示，參數高效微調（PEFT，僅訓練少量參數以適應預訓練模型）能有效適應大型預訓練骨幹進行腦部編碼。 Hugging Face 每日精選論文

方法

為降低計算成本，研究利用骨幹的因果結構，在單次前向傳播中預測多個時間點，取代滑動窗口方式以減少特徵提取開銷。這使得能高效微調最多 104B 參數的多模態骨幹。方法結合低秩適配器（LoRA，一種僅訓練少量低秩矩陣以調整預訓練權重的技術）與輕量讀出層。此外，開發了多 LoRA 核心以加速共享骨幹上多個 LoRA 的聯合訓練，支持 200 個以上適應模型的集成。 Hugging Face 每日精選論文

結果

在九種多樣化的多模態骨幹上，該方法一致提升了腦部編碼效能。在與先前最優方法相同的 Qwen3-Omni 骨幹上，BrainLoRA 在 Algonauts 2025 Challenge 中達到最佳公開表現。研究還顯示適應後的多模態骨幹保持可解釋性：模態歸因恢復了規範的感覺拓撲結構，且神經適應增加了音訊輸入貢獻及骨幹內的跨模態混合。由 200 多個適應模型組成的集成，在撰寫時位列 Algonauts 公開挑戰賽後排行榜第一。 Hugging Face 每日精選論文

程式碼與資料

本站 2026-10-21 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：

• 研究機構（Hugging Face 標示）：Mind Lab
• 程式碼：論文頁沒有列出公開的程式碼
• 公開模型：zfying/brain-lora