研究团队提出 BrainPro，一个将电极布局映射到统一通道-脑区模板、并按实验范式线索条件化分支激活与掩码重建的 EEG 自监督预训练框架。该方法在 9 个公开 BCI 基准上取得较强表现，消融与通道缺失分析显示地形检索与过程条件化表示学习共同提升解码效果。论文已被 NeurIPS 2026 接收，代码已公开。
推荐理由：论文提出按实验范式条件化的 EEG 预训练框架，并在 9 个公开 BCI 基准上做了对比与消融，可供关注 EEG 大模型路线的人参考。
作者提出 BrainCodes，一个在超过 800 小时、1000 余名受试者记录上自监督预训练的轻量 EEG 基础模型。该模型结合量化神经分词器与支持任意电极配置的时空编码器，在睡眠分期、注意力评估和认知负荷估计等任务上达到或超过现有水平，可训练参数最多减少 97%。
推荐理由：论文给出 800 小时预训练数据和可训练参数减少 97% 的对比，读者可据此判断轻量 EEG 基础模型的落地空间。
研究团队提出 Brain-OF，一个在 fMRI、EEG 和 MEG 上联合预训练的全功能脑基础模型，可在统一框架内处理单模态和多模态输入。
推荐理由：该预印本把 fMRI、EEG 和 MEG 放进同一个基础模型，并公开代码与权重，读者可据此判断多模态神经影像预训练的整合路径。