“从v1到v2的性能提升几乎完全源自训练数据的十倍涨幅，而非模型架构上的突破。”io.net联合创始人Tory Green这样评价Meta最新开源的脑机接口模型Brain2Qwerty v2。这个非侵入式系统刚刚刷新了行业记录——其语句解码准确率达到61%，而此前同类方案仅为8%，差距超过7倍。
Brain2Qwerty v2通过脑电图(EEG)或脑磁图(MEG)采集脑信号，让人脑中的想法直接转换为完整句子。在此前的数据采集过程中，受试者需要先记住屏幕上的句子，再通过键盘逐字输入，而模型学会的正是从脑信号中还原这段文字。评测清晰地表明，MEG的表现远优于EEG：前者的平均字符错误率(CER)为29%，后者则高达65%。与经典基线模型EEGNet相比，Brain2Qwerty的字符错误率降低了约2.5倍。Meta曾在2025年发布第一代Brain2Qwerty，而这次v2的单词错误率(WER)比上一代几乎砍掉了一半，使得非侵入式方案与需要开颅手术的侵入式脑机接口之间的性能差距进一步收窄。
系统内部由三个核心模块串联而成：一个卷积编码器(Encoder)负责接收脑信号并预测字符；对齐器(Aligner)把离散的字符组合成单词；最后由大语言模型(LLM)根据对齐结果生成流畅的最终输出。这种设计还带来了意想不到的好处——即使用户在脑中“输入”时出现拼写错误，系统也能像处理键盘上的打字错误一样自动纠正，无需任何额外步骤。
Tory Green在分析v2的进步时直言，数据量的十倍增长几乎是性能跃升的全部原因，而非模型架构有了革命性变化。“这种结果其实很振奋人心，因为这就意味着，目前真正的瓶颈是能够采集到、并完成标注的MEG数据，而不是这个问题本身已经接近理论极限。”他补充说，数据量这类限制往往会比人们预想的更快得到解决。Meta团队自己的实验也印证了这一点：随着数据规模不断扩大，解码准确率呈对数线性增长。换句话说，只要持续扩大训练数据的体量，非侵入方案与侵入方案之间的性能差距就能被继续压缩，并不需要等待全新的算法突破。
正是基于这一判断，Meta把
热门跟贴