脑机百科消息(bciwiki.com)，香港中文大学（深圳）、哈尔滨工业大学（深圳）等合作团队于2026年10月26日在arXiv公开OneEEG，尝试让多模态语言模型处理多类脑电理解任务。团队配套构建OneEEG-Instruct训练数据和OneEEG-Bench基准，所测试的是从有限候选答案中作选择的闭集问答。
OneEEG同时建模脑电的数值表示与视觉表示，并使用团队整理的多任务脑电指令微调数据集OneEEG-Instruct进行训练。框架引入任务感知的投影器混合（MoP）机制，将不同任务类别的异构脑电特征对齐到大语言模型的嵌入空间，即模型用于表示和处理信息的内部空间。
团队还建立了OneEEG-Bench基准，用于评估现有多模态大语言模型及OneEEG在多任务脑电理解上的表现。实验显示，接受评估的现有模型解读脑电输入的能力有限；结合数值与视觉脑电表示以及任务感知对齐机制的OneEEG取得了更强表现。
消融实验与进一步分析考察了脑电视觉呈现方式、MoP变体、路由器行为及不同脑电任务中的特征分散情况。研究聚焦模型对脑电输入的理解与评测，这些结果不等同于已证实的临床诊断能力或脑机接口应用效果。
OneEEG在可映射到标准19通道的任务中同时使用数值脑电和波形图，在非标准通道任务中只使用图像。基准覆盖运动、状态、临床、事件、睡眠和警觉六类任务，并加入基础脑电属性问答；有受试者标识的数据按人划分训练与评估集。
全文报告，OneEEG在该闭集基准上的总体准确率为65.67%，七类指标的宏平均为68.24%；所比较基线中，GPT-5.5总体准确率为50.39%。OneEEG经过专门脑电训练，基线只接收波形图与文字问题，输入能力和训练条件并不完全相同，结果不能作为通用模型能力排名。