脑机百科消息(bciwiki.com)，一个名为AutoBCI的智能体框架可自动设计脑电（EEG）解码模型。在14个脑电数据集上，借助Claude Opus 5.5找到的架构平均测试平衡准确率达到64.16%，略高于最强基线REVE的63.87%。该研究于2026年9月28日上传至预印本平台arXiv，尚未经同行评审。
据arXiv发布的论文摘要，AutoBCI由两个智能体组成。设计智能体（Designer Agent）执行名为PGAD的池引导架构发现流程，在情绪识别、运动想象、睡眠分期等多个脑电任务上训练和验证，不断生成并改进候选架构。预测智能体（Forecaster Agent）执行名为PEEK的早期性能估计，依据架构代码、训练方案和早期学习曲线，预测候选架构在完整训练预算下的验证表现，并挑出值得继续训练的候选。
研究人员用6个大语言模型运行AutoBCI，其中包括Opus 5.5和GPT 5.6 Sol。搜索得到的架构与10个基线对比，其中6个是传统脑电模型，4个是基础模型。数据集涵盖运动想象、情绪识别和睡眠分期三类任务。
在性能预测方面，PEEK只观察10个训练轮次，就把预测平均验证平衡准确率的平均绝对误差从2.20个百分点降到1.36个百分点，相比“最佳已观测分数”基线降低38.1%。
论文作者共12人，包括Muyun Jiang、Yi Ding和Cuntai Guan等。论文正文连同补充材料共34页，含6幅图。