脑机百科消息(bciwiki.com)，两个被广泛引用的脑电基础模型LaBraM和CBraMod在运动想象解码任务中全面不敌监督学习模型。Kevin Zhou和Sparsh Roy于2026年9月20日将这一审计研究上传至arXiv预印本平台，尚未经同行评审。研究采用验证锁定协议，在BCI Competition IV-2a四类运动想象数据集上，所有监督学习对照模型（包括ATCNet和EEG Conformer）均优于基础模型的所有配置，包括经验证集选择的微调方案。
研究进一步揭示了一个关键混淆因素：基础模型与任务特定解码器通常使用不同的输入管道进行评估。当研究者将三个监督架构切换到基础模型所使用的宽带输入后，准确率变化方向因架构而异——ATCNet准确率提升0.078，EEG Conformer准确率下降0.088。经多重比较校正（n=9）后，三个匹配输入项均未达到统计显著性。研究者据此认为，用单一对照模型来分解预训练模型与监督模型之间的性能差距可能不可靠。此外，四类任务中观察到的性能落差并未在所有数据集上一致复现：在二类BNCI2014-004数据集上，微调后的CBraMod与监督对照之间未检测到同样的差距。经验证集拟合的温度缩放可将基础模型的校准误差恢复至监督模型水平，尽管其四类准确率仍明显较低。