脑机百科消息(bciwiki.com)，给脑磁图语音解码加上下文先验，可以整体提高解码准确率，但一项新研究提示，先验留下的错误可能变得更“自信”，而准确率数字看不出这一点。研究团队用MEG-MASC与MOUS两个脑磁图数据集，考察上下文先验如何改写候选词得分：他们用局部解码得分、以加法浅融合方式加入的上下文先验，以及融合后前两名候选的得分差作为置信度。结果显示，在最初预测错误的样本中存在“置信度排序反转”——正确候选一开始排在局部排名前列时，较大的分差意味着这次更可能被纠正；正确候选起始排名靠后时，较大的分差反而意味着更可能维持错误。该研究于2026年10月6日上传至预印本平台 arXiv，尚未经同行评审。
在MEG-MASC数据集上，把正确与错误分开的整体AUROC为0.87，但用来区分“被纠正的错误”和“残留错误”的AUROC，从初始排名第2到第3位时的0.70，下降到第21到第50位时的0.39。起始排名在第20位之后的错误，占融合后全部错误的46.6%。研究团队给出的解释落在分数层面：一次纠正必须先补上正确候选原有的得分差距，因此最终分差受限；而残留错误是两个错误候选之间的比较，可以拉开很大的分差。只改变融合权重的因果干预显示，反转区间会如预测那样向更深的排名移动；改用词级语言模型先验时，即使准确率增益已经见顶，反转区间仍在继续移动。
研究还发现，把局部得分与先验得分分开读取，可以改善选择性解码：解码器在74.5%的时间窗内给出答案，高于此前的56.7%，同时仍有92%的输出候选集合包含正确候选。作者建议，上下文融合之后的置信度不应只看融合后的分数，还要保留支撑每个预测的局部证据与上下文证据。论文共28页，含4幅图、18张表。