這項(xiàng)由香港大學(xué)主導(dǎo)，聯(lián)合深圳回路地區(qū)研究院、香港中文大學(xué)、上海人工智能實(shí)驗(yàn)室、哈佛大學(xué)、哥倫比亞大學(xué)、華盛頓大學(xué)及卡內(nèi)基梅隆大學(xué)的跨國研究團(tuán)隊完成的成果，以預(yù)印本形式發(fā)布于2026年4月，論文編號為arXiv:2604.08537，有興趣深入了解的讀者可通過該編號查詢完整論文。

每個人的大腦，都像一把獨(dú)一無二的鎖。神經(jīng)科學(xué)家們長期以來有一個宏大的夢想：如果能夠"讀懂"人類的大腦，我們或許可以幫助失去語言能力的患者重新與世界溝通，甚至有朝一日為癱瘓者恢復(fù)行動自由。然而，橫亙在這個夢想面前的，是一道看似無法逾越的鴻溝——每個人大腦的工作方式都截然不同，今天訓(xùn)練好的模型只能讀懂這個人的大腦，換一個人就得重頭來過。這就好比你費(fèi)盡心思配好了一把鑰匙，卻發(fā)現(xiàn)它只能開一扇門，世界上其他所有的鎖，它都無能為力。

這支來自九所頂尖機(jī)構(gòu)的研究團(tuán)隊，交出了一份令人振奮的答案。他們開發(fā)的系統(tǒng)名叫BrainCoDec（Brain In-Context Decoding，大腦情境解碼器），核心能力是：只需給它看一小批來自新人物的"大腦-圖像"對照樣本，它就能在完全不重新訓(xùn)練的情況下，讀懂這個從未見過的陌生人的大腦信號，從中還原出他正在看的圖像是什么。這是一把能夠自動適配陌生鎖孔的萬能鑰匙。

一、人人大腦各不相同，這件事為什么讓科學(xué)家頭疼了這么多年

要理解這項(xiàng)研究的價值，得先弄清楚大腦成像研究者面對的是什么樣的困境。當(dāng)一個人看到一張貓咪的照片時，他大腦中的神經(jīng)細(xì)胞會產(chǎn)生一系列電信號活動，科學(xué)家可以用一種叫做功能性磁共振成像（fMRI）的技術(shù)把這些活動記錄下來，得到的結(jié)果是一張由無數(shù)個小方塊（稱為"體素"，voxel，可以理解為大腦活動地圖上的一個個像素點(diǎn)）組成的三維圖。

問題在于，同樣是看一張貓咪照片，張三大腦里活躍的區(qū)域，和李四大腦里活躍的區(qū)域，可能相差甚遠(yuǎn)。這種差異來自每個人獨(dú)特的成長經(jīng)歷、大腦結(jié)構(gòu)的細(xì)微差別，以及神經(jīng)系統(tǒng)在漫長歲月中形成的個性化"接線方式"。正因如此，研究者們長期以來只能為每一個實(shí)驗(yàn)參與者單獨(dú)訓(xùn)練一個專屬的解碼模型，就像為每個人量身定制一把鑰匙。這個過程不僅耗時費(fèi)力，需要大量的數(shù)據(jù)采集，還讓大腦解碼技術(shù)始終停留在"只對少數(shù)特定人有效"的階段，無法走向更廣泛的應(yīng)用。

要實(shí)現(xiàn)真正意義上的跨人群腦機(jī)接口，研究者們必須回答一個根本性的問題：有沒有一種方法，能讓計算機(jī)自動學(xué)會"適應(yīng)"新面孔的大腦？

二、解鎖陌生大腦的核心思路：先建檔案，再破解密碼

BrainCoDec的工作流程可以用一個偵探檔案室的比喻來理解。偵探破案的關(guān)鍵，從來不是死記硬背每一個嫌疑人的長相，而是掌握一套方法論：通過觀察一個人留下的幾個關(guān)鍵線索，迅速推斷出這個人行為的整體規(guī)律。

BrainCoDec正是這樣運(yùn)作的。當(dāng)研究者遇到一個新的實(shí)驗(yàn)對象時，他們首先會給這個人看一小批圖片，同時記錄下他大腦的反應(yīng)，得到若干"圖片-大腦活動"的對照組合。BrainCoDec拿到這些組合之后，分兩個階段完成它的工作。

第一個階段，可以理解為"建立個人檔案"。系統(tǒng)會針對這個人大腦中的每一個體素，單獨(dú)分析：這個小方塊在看到不同圖片時，表現(xiàn)出怎樣的規(guī)律？它對什么類型的視覺信息最敏感？通過這種分析，系統(tǒng)為每一個體素建立一個數(shù)學(xué)描述，相當(dāng)于為這個人大腦的每一個角落制作了一份"性格檔案"。負(fù)責(zé)完成這項(xiàng)工作的，是一個經(jīng)過特殊訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，它的前身是哥倫比亞大學(xué)和卡內(nèi)基梅隆大學(xué)等機(jī)構(gòu)此前開發(fā)的BrainCoRL模型，專門用來預(yù)測大腦某個區(qū)域?qū)o定圖像的反應(yīng)強(qiáng)度。

第二個階段，則是"根據(jù)檔案破解密碼"。當(dāng)這個人看到一張新圖片時，系統(tǒng)得到了他大腦各區(qū)域的實(shí)時活動數(shù)據(jù)。系統(tǒng)把第一階段建立的檔案和這次的實(shí)時活動數(shù)據(jù)拼合在一起，交給另一個專門訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行綜合分析，最終輸出對這張新圖片內(nèi)容的推斷——具體來說，是推斷出這張圖片在一個標(biāo)準(zhǔn)視覺語義空間（由CLIP、DINO或SigLIP等預(yù)訓(xùn)練視覺模型提供）中對應(yīng)的坐標(biāo)，有了這個坐標(biāo)，就能在一個圖片庫中找到最接近的候選圖片。

這套兩階段的設(shè)計，讓BrainCoDec既能捕捉個體間的差異（第一階段），又能發(fā)揮跨個體學(xué)習(xí)到的通用規(guī)律（第二階段），二者缺一不可。

三、讓機(jī)器學(xué)會"舉一反三"：元學(xué)習(xí)的秘密

BrainCoDec最核心的技術(shù)秘密，藏在它的訓(xùn)練方式里。這里需要介紹一個叫做"元學(xué)習(xí)"的概念，它的目標(biāo)不是讓機(jī)器學(xué)會解決某一道特定的題目，而是讓機(jī)器學(xué)會"如何快速學(xué)會解題"。

一個好的例子是考試前的復(fù)習(xí)策略。死記硬背某套題目答案的學(xué)生，換一套題就會手足無措；而真正掌握解題方法的學(xué)生，哪怕面對從未見過的題目，也能游刃有余地應(yīng)對。BrainCoDec的訓(xùn)練目標(biāo)就是后者：它通過大量不同實(shí)驗(yàn)參與者的大腦數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)的不是"如何讀懂張三的大腦"，而是"如何從幾個樣本快速推斷出任何人大腦的工作規(guī)律"。

這種能力在技術(shù)上被稱為"情境學(xué)習(xí)"（in-context learning）。借用最近大語言模型領(lǐng)域的一個現(xiàn)象來理解：ChatGPT這類大型語言模型，在對話過程中只需要看到幾個例子，就能推斷出用戶想要什么樣的回答風(fēng)格，并且在不修改自身參數(shù)的情況下完成調(diào)整。BrainCoDec把同樣的原理應(yīng)用到了大腦解碼領(lǐng)域，實(shí)現(xiàn)了在不更新任何模型權(quán)重的前提下，快速適應(yīng)新面孔大腦的能力。

為了讓系統(tǒng)在訓(xùn)練階段就養(yǎng)成這種靈活適應(yīng)的習(xí)慣，研究團(tuán)隊設(shè)計了一套分三步走的訓(xùn)練流程。第一步是"紙上練兵"：用計算機(jī)合成的虛擬大腦數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，讓模型建立對大腦編碼規(guī)律的基本認(rèn)知，這一步完全不需要真實(shí)的腦成像數(shù)據(jù)。第二步是"拓展眼界"：在訓(xùn)練過程中隨機(jī)改變每次輸入的體素數(shù)量（從200到4000個不等），讓模型學(xué)會靈活處理不同規(guī)模的輸入，不管新用戶的大腦數(shù)據(jù)多少，都能從容應(yīng)對。第三步是"實(shí)戰(zhàn)磨礪"：用真實(shí)的fMRI數(shù)據(jù)進(jìn)行精調(diào)，讓模型的感知貼近真實(shí)神經(jīng)信號的統(tǒng)計特征。經(jīng)過這三步的鍛煉，BrainCoDec就具備了在沒有任何額外訓(xùn)練的情況下，直接遷移到新用戶身上的能力。

四、在兩個大型數(shù)據(jù)集上接受考驗(yàn)

研究團(tuán)隊在兩個規(guī)模不同、采集條件也大相徑庭的數(shù)據(jù)集上，對BrainCoDec進(jìn)行了嚴(yán)格測試。

主要測試場地是"自然場景數(shù)據(jù)集"（NSD），這是目前世界上最大的7特斯拉高精度fMRI視覺數(shù)據(jù)集，每位參與者在掃描儀中看了約一萬張不同的圖片。研究團(tuán)隊選取了其中四位完成了全部掃描任務(wù)的參與者（編號S1、S2、S5、S7）作為主要評估對象，采用的方式是"留一法"：每次訓(xùn)練時，將其中三位參與者的數(shù)據(jù)用于訓(xùn)練，剩下一位的數(shù)據(jù)完全保留作為測試，確保被測者在模型訓(xùn)練階段從未被見過。與此同時，另外四位只完成了部分掃描的參與者（S3、S4、S6、S8）也被納入了補(bǔ)充測試，同樣是對這些人完全陌生的情況下進(jìn)行解碼。

第二個測試場地是"BOLD5000"數(shù)據(jù)集，這個數(shù)據(jù)集用的是3特斯拉（精度低于NSD）的普通臨床級磁共振掃描儀，采集了完全不同的受試者看約五千張圖片的大腦反應(yīng)。重要的是，BrainCoDec在這里使用的，是完全在NSD上訓(xùn)練好的模型，沒有任何針對BOLD5000的再訓(xùn)練，這意味著它需要跨越掃描儀型號、磁場強(qiáng)度、掃描參數(shù)和被試人群的多重差異。

測試的核心指標(biāo)是"圖片檢索準(zhǔn)確率"：給定一個人看某張圖片后的大腦信號，系統(tǒng)能否從一個包含數(shù)百到一千張候選圖片的庫中，找到這張被看到的圖片？每次只提供200張"建檔"用的參照圖片，相當(dāng)于研究者只有機(jī)會觀察這個陌生人大腦對200張圖片的反應(yīng)，就要開始對新圖片進(jìn)行解碼。

五、數(shù)字背后的故事：BrainCoDec究竟表現(xiàn)如何

對比實(shí)驗(yàn)的結(jié)果，用"差距懸殊"來形容并不為過。

在NSD四位完整參與者的測試中，BrainCoDec在"Top-1準(zhǔn)確率"（即系統(tǒng)的第一個猜測就命中正確圖片的概率）上，四位參與者的平均成績達(dá)到22.7%。作為對比，目前業(yè)界公認(rèn)的最強(qiáng)跨被試解碼方法MindEye2（它實(shí)際上需要把所有用戶的大腦數(shù)據(jù)對齊到一個標(biāo)準(zhǔn)解剖模板，有一定的解剖對齊要求）在同樣的任務(wù)上平均只有3.90%；另一個參照方法TGBD的平均成績則僅有0.82%。如果把目標(biāo)放寬到"Top-5準(zhǔn)確率"（系統(tǒng)給出的前五個猜測中有一個命中），BrainCoDec的平均成績是54.0%，而MindEye2只有9.81%。

換一個更直觀的角度來理解這個數(shù)字：在907張候選圖片中隨機(jī)猜一張的概率大約是0.11%，MindEye2的成績相當(dāng)于比隨機(jī)猜測好了大約三十五倍，而BrainCoDec的成績則相當(dāng)于比隨機(jī)猜測好了約兩百倍。

對于另外四位沒有完成全部掃描的參與者（S3、S4、S6、S8），BrainCoDec的Top-1準(zhǔn)確率在14.4%到20.1%之間，同樣大幅領(lǐng)先于其他方法。

在完全不同的BOLD5000數(shù)據(jù)集上，BrainCoDec僅憑20張"建檔"圖片，在20張測試圖片的五折交叉驗(yàn)證中，使用CLIP特征的Top-1準(zhǔn)確率達(dá)到31.45%（隨機(jī)猜測概率為5%），Top-5準(zhǔn)確率高達(dá)81.67%，平均排名僅為3.49，意味著系統(tǒng)的猜測平均排在前幾位之內(nèi)。

六、越多信息越準(zhǔn)確：兩個維度上的"喂飽效應(yīng)"

BrainCoDec有一個非常直觀的特性：給它的信息越多，它的表現(xiàn)就越好。而且這種提升在兩個完全獨(dú)立的維度上都有體現(xiàn)。

第一個維度是"建檔圖片數(shù)量"，也就是在正式解碼新圖片之前，研究者給這個新用戶看了多少張用于建立檔案的圖片。實(shí)驗(yàn)顯示，隨著建檔圖片從50張增加到600張，四位NSD參與者的Top-1準(zhǔn)確率都呈現(xiàn)出穩(wěn)步上升的趨勢。尤其是在圖片數(shù)量較少時，增加每一張圖片帶來的提升都相當(dāng)顯著。值得欣慰的是，在僅有200張建檔圖片的情況下，BrainCoDec已經(jīng)能夠達(dá)到相當(dāng)不錯的解碼水平，這意味著即便實(shí)驗(yàn)時間有限、數(shù)據(jù)有限，這套系統(tǒng)也能正常工作。

第二個維度是"參與解碼的體素數(shù)量"，也就是在第二階段的綜合分析中，系統(tǒng)能看到多少個來自這個人大腦的信號點(diǎn)。隨著體素數(shù)量從接近零增加到兩萬個，解碼準(zhǔn)確率同樣持續(xù)上升。在CLIP、DINO和SigLIP三種不同視覺特征空間下，這個趨勢在所有測試參與者身上都表現(xiàn)一致。更有意思的是，當(dāng)體素數(shù)量達(dá)到約4000個時，性能已經(jīng)接近使用全部體素的水平，說明系統(tǒng)能夠從相對有限的信號中提取出足夠充分的信息。

這種雙維度的"喂飽效應(yīng)"，為實(shí)際應(yīng)用提供了重要的靈活性：研究者可以根據(jù)實(shí)際條件，在數(shù)據(jù)采集時間和解碼精度之間做出合理權(quán)衡。

七、消融實(shí)驗(yàn)：一磚一瓦的重要性

為了驗(yàn)證BrainCoDec的每個設(shè)計決策是否真的必要，研究團(tuán)隊做了一系列"拆零件"測試，依次去掉某個組成部分，觀察性能的變化。

純合成數(shù)據(jù)預(yù)訓(xùn)練版本（不使用任何真實(shí)fMRI數(shù)據(jù)）的余弦相似度（衡量預(yù)測與真實(shí)圖像特征的接近程度）大約在0.19到0.23之間；梯度下降直接求逆版本（用傳統(tǒng)數(shù)學(xué)優(yōu)化方法強(qiáng)行反推圖像）的余弦相似度約在0.30到0.32之間；而使用真實(shí)數(shù)據(jù)訓(xùn)練、并進(jìn)行了被試隔離的正式BrainCoDec版本的余弦相似度則高達(dá)0.79到0.81，提升幅度極為顯著。

更有意思的是，允許模型在訓(xùn)練時見過這位被試數(shù)據(jù)的"無隔離"版本（BrainCoDec no HO），其余弦相似度為0.80到0.82，與正式版本幾乎沒有差距。這個結(jié)論在技術(shù)上具有深刻含義：即便模型在訓(xùn)練時從未接觸過某個特定被試，它的解碼性能也幾乎與"見過"這位被試的版本相當(dāng)，證明了元學(xué)習(xí)策略的有效性，也證明了這套系統(tǒng)在真實(shí)世界部署中的可靠性。

八、拆掉特定腦區(qū)，系統(tǒng)還能正常運(yùn)轉(zhuǎn)嗎

大腦皮層有許多功能專一化的區(qū)域，比如負(fù)責(zé)識別面孔的梭狀回（FFA），負(fù)責(zé)識別場所和建筑的海馬旁回（PPA）、枕葉場所區(qū)（OPA）和壓后皮層（RSC），負(fù)責(zé)識別文字的視覺詞形區(qū)，以及負(fù)責(zé)識別身體部位的體外紋狀區(qū)（EBA）。一個合理的猜測是：如果系統(tǒng)在解碼面孔圖片時，主要依賴的是FFA區(qū)域的信號，那么一旦把這個區(qū)域的數(shù)據(jù)屏蔽掉，解碼能力應(yīng)該會顯著下滑。

研究團(tuán)隊專門設(shè)計了一組實(shí)驗(yàn)來檢驗(yàn)這個猜測。他們先用獨(dú)立的功能定位實(shí)驗(yàn)確認(rèn)了每位參與者大腦中食物、面孔、場所、文字各類別的專屬敏感區(qū)域，然后找出測試圖片中最能激活這些區(qū)域的圖片，接著把對應(yīng)的功能區(qū)體素從解碼過程中完全屏蔽，再觀察解碼性能的變化。

結(jié)果頗為出乎意料。對于面孔、食物和文字類別的圖片，即便把專門負(fù)責(zé)這些類別的功能區(qū)屏蔽掉，解碼性能的下降幅度在大多數(shù)被試和條件下都非常有限，甚至有些情況下幾乎沒有明顯變化。這說明BrainCoDec并不依賴于某個單一的"特權(quán)"腦區(qū)來完成解碼，而是學(xué)會了從分布在整個高級視覺皮層的大量信號中提取信息，具備很強(qiáng)的冗余容錯能力。

場景類別是一個例外：屏蔽掉PPA、OPA和RSC這三個場所選擇性區(qū)域，對場所類圖片的解碼性能造成了統(tǒng)計上顯著的下降。這個結(jié)果也符合神經(jīng)科學(xué)對這些區(qū)域功能的認(rèn)知——它們在場所感知中扮演的角色確實(shí)更為核心和不可替代。

九、注意力地圖：系統(tǒng)"目光"落在哪里

BrainCoDec內(nèi)部的變換器（transformer）網(wǎng)絡(luò)，在處理來自不同體素的信號時，會對每個體素分配不同的"關(guān)注度"，這種關(guān)注度分布可以通過提取注意力權(quán)重（attention weights）來可視化。研究團(tuán)隊把這些注意力權(quán)重投影到大腦皮層的平面展開圖上，得到了一組令人印象深刻的對比圖。

當(dāng)系統(tǒng)在解碼面孔類圖片時，它的注意力明顯集中在梭狀回面孔區(qū)（FFA）和體外紋狀區(qū)（EBA）等已知的面孔和身體識別區(qū)域；當(dāng)系統(tǒng)在解碼場所類圖片時，注意力則轉(zhuǎn)移到了PPA、OPA和RSC等場所識別區(qū)域。這種分布與神經(jīng)科學(xué)通過幾十年獨(dú)立研究建立起來的功能定位圖譜，高度吻合。

研究團(tuán)隊還進(jìn)一步用UMAP（一種數(shù)學(xué)降維工具，可以把高維數(shù)據(jù)的結(jié)構(gòu)壓縮到可視化的二維或三維空間）把整個測試集的體素注意力權(quán)重投射到一個三維空間中，發(fā)現(xiàn)不同功能屬性的體素在這個空間中形成了清晰分離的聚類：面孔和身體選擇性區(qū)域（EBA、FFA等）聚集在一起形成綠色群落，場所選擇性區(qū)域（RSC、OPA、PPA等）聚集在另一處形成紅色群落。這種自發(fā)涌現(xiàn)的語義聚類結(jié)構(gòu)，并沒有被顯式地編碼進(jìn)訓(xùn)練目標(biāo)中，而是系統(tǒng)在學(xué)習(xí)解碼任務(wù)的過程中自然發(fā)展出來的，為理解高級視覺皮層的組織方式提供了新的計算視角。

十、從實(shí)驗(yàn)室走向真實(shí)世界的一步

BrainCoDec的技術(shù)路線和實(shí)驗(yàn)結(jié)果，指向了一個更宏觀的目標(biāo)：建立一套能夠服務(wù)于整個人類群體的通用大腦解碼基礎(chǔ)模型。在這個目標(biāo)的背景下，有幾個具體的應(yīng)用方向值得關(guān)注。

在腦機(jī)接口領(lǐng)域，目前因?yàn)榧∥s側(cè)索硬化（漸凍癥）、脊髓損傷等疾病而失去運(yùn)動或語言能力的患者，如果要使用基于大腦信號的輔助溝通設(shè)備，往往需要花費(fèi)大量時間對設(shè)備進(jìn)行個性化校準(zhǔn)。BrainCoDec這類不需要重新訓(xùn)練的跨被試方法，可能大幅縮短這個過程，讓更多患者能夠更快地受益于技術(shù)的進(jìn)步。

在認(rèn)知科學(xué)研究領(lǐng)域，大腦的個體差異本身是重要的研究對象。BrainCoDec提供了一種工具，能夠在不對每個被試單獨(dú)建模的情況下，對大規(guī)模人群進(jìn)行神經(jīng)表征的比較研究，這對于建立人口級別的大腦功能理論具有重要意義。

研究團(tuán)隊也明確指出，相同的框架原則上可以擴(kuò)展到EEG（腦電圖）、MEG（腦磁圖）等其他大腦信號記錄技術(shù)，為這些成本更低、使用更方便的技術(shù)賦予更強(qiáng)的泛化能力。

說到底，BrainCoDec并沒有宣稱已經(jīng)"破解"了大腦的全部秘密。它解碼的是圖像在高維視覺語義空間中的"坐標(biāo)"，而不是直接生成逼真的重建圖像——不過論文也指出，這個坐標(biāo)可以進(jìn)一步通過Stable Diffusion等圖像生成模型轉(zhuǎn)化為具體圖像，只是這部分功能不是本文的研究重點(diǎn)。更重要的是，這項(xiàng)研究證明了一件此前被普遍認(rèn)為極其困難的事：機(jī)器完全可以通過少量樣本，無需重新訓(xùn)練，就學(xué)會適應(yīng)一個全新的大腦。這把"萬能鑰匙"，已經(jīng)在實(shí)驗(yàn)室里成功開鎖。

歸根結(jié)底，大腦解碼這件事，比想象中既更困難，也更有希望。困難在于每個人的神經(jīng)地圖都是獨(dú)一無二的，希望則在于人類大腦盡管千差萬別，卻分享著同一套視覺認(rèn)知的底層邏輯——而BrainCoDec恰恰學(xué)會了如何利用這套共同邏輯，靈活打開每一扇不同的門。對于這項(xiàng)研究結(jié)果感到好奇的讀者，可以通過論文編號arXiv:2604.08537獲取完整的技術(shù)細(xì)節(jié)，代碼和模型也已在GitHub上公開發(fā)布。

Q&A

Q1：BrainCoDec解碼的是什么？它能直接還原人眼看到的圖像嗎？

A：BrainCoDec解碼的是圖像在一個標(biāo)準(zhǔn)視覺語義空間中的"坐標(biāo)"，簡單說就是推斷圖像的內(nèi)容特征，然后在一個候選圖片庫中找到最接近的圖片。它的核心評估任務(wù)是圖片檢索，而非直接生成像素級別的重建圖像。不過，這個解碼結(jié)果可以進(jìn)一步接入Stable Diffusion等圖像生成模型，生成視覺上更逼真的重建圖像，只是這部分不是論文的主要研究內(nèi)容。

Q2：BrainCoDec需要多少張圖片才能開始解碼陌生人的大腦？

A：實(shí)驗(yàn)表明，僅憑200張"建檔"圖片（即給新用戶看200張圖片并記錄他的大腦反應(yīng)），BrainCoDec就能實(shí)現(xiàn)相當(dāng)不錯的解碼性能，在NSD數(shù)據(jù)集上Top-1準(zhǔn)確率平均達(dá)到22.7%，遠(yuǎn)超其他方法。圖片數(shù)量越多性能越好，但在資源有限的情況下，200張已經(jīng)足夠?qū)嵱谩?/p>

Q3：BrainCoDec換了不同的核磁共振掃描儀還能用嗎？

A：可以。研究團(tuán)隊在完全不同的BOLD5000數(shù)據(jù)集上進(jìn)行了測試，該數(shù)據(jù)集使用3特斯拉掃描儀（NSD使用7特斯拉），采集參數(shù)、圖片集和被試人群都與訓(xùn)練數(shù)據(jù)截然不同，BrainCoDec沒有任何針對性再訓(xùn)練，僅憑20張建檔圖片就實(shí)現(xiàn)了CLIP特征Top-1準(zhǔn)確率31.45%、Top-5準(zhǔn)確率81.67%的成績，證明了其跨掃描儀的泛化能力。