脑机百科消息(bciwiki.com)，研究人员重新分析了47名渐冻症（ALS）患者的3373次P300拼写器选择后发现，在公平比较下，按单次可靠性自适应调整语言模型权重的做法，并未优于经过调优的固定权重。该研究以预印本形式于2026年9月3日上传至medRxiv，尚未经同行评审；据BIDMC发布的信息，数据来自公开数据集BigP3BCI。
P300拼写器通过识别脑电中的P300反应让用户选择字符，已发表的融合方案通常给语言模型先验设定固定的信任度，而不考虑每次选择的可靠程度。研究团队检验了引入可靠性估计能否改进这一点：在匹配搜索空间的条件下，对固定权重和自适应策略都做了折外调优，并在22个可评估的语言模型先验上比较，模型参数规模最高达46.7B。其中GPT-2和经典5-gram两个代表性模型还接受了更细致的朴素比较与机制分析。
结果显示，没有任何一个先验的95%置信区间支持自适应融合更优，尽管在每个规模上理论上限（oracle）都还有未被利用的提升空间。在GPT-2下，朴素比较中自适应融合显著更差；两个代表性模型在公平比较中都收敛到退化或接近退化的解。另外测试的3种控制器同样未能把这部分空间转化为实际收益。相比之下，固定融合后验输出的概率在标记错误选择上优于最佳控制器，错误富集度为2.8至3.8倍。
作者据此认为，在所测规模范围内，调优后的固定权重是难以超越的默认设置，可靠性估计没有带来可部署的自适应优势，并建议今后的自适应加权方案应在不同模型家族和规模上与公平调优的基线对照验证。