NeuroWeaver：让大模型生成轻量级EEG分析流水线，以0.18M参数超越基础模型
该自主进化智能体将EEG流水线工程重塑为离散约束优化问题，在5个基准中合成轻量级流水线，性能优于现有任务专用方法，并以极小参数规模在HMC与Workload基准上超越大型基础模型。
AI解读：脑电图（EEG）分析一直困在两头：通用基础模型参数庞大、数据需求高，在临床的小算力设备上跑不动；传统AutoML又在无限的编程空间里乱搜，常常得到违背神经生理学常识的方案。NeuroWeaver的做法是把流水线设计当成一个有约束的离散优化问题，让大语言模型生成可执行代码，再用“领域信息子空间初始化”把搜索范围限制在神经科学上合理的区域，靠多目标进化在性能、新颖性和效率之间权衡。它的实际收益很具体：在HMC和Workload两个基准上，只用0.18M和0.011M参数就超过了大型基础模型——这意味着医院用普通工作站就能跑接近顶级准确率的分析，不必依赖云端的千亿参数模型。但这是一篇arXiv论文，尚未经过同行评审，且性能只在五个公开基准上验证，真实临床EEG数据（噪声、个体差异大）的表现仍是未知。如果你在做资源受限的EEG研究，可以把它当作一种降低算力门槛的参考方案，但暂时不宜直接用于临床决策。普通读者无需任何行动，这条消息主要影响的是脑机接口和神经疾病诊断方向的工程团队。
arXiv论文（编号arXiv:2602.13473）提出NeuroWeaver，一个面向脑电图（EEG）分析的自主进化智能体。作者Guoan Wang、Shihao Yang和Feng Liu在摘要中描述，NeuroWeaver将流水线工程重塑为通过大语言模型（LLM）驱动生成可执行代码的离散约束优化问题。
论文称，在五个异构基准上，NeuroWeaver合成的轻量级流水线在几乎所有指标上优于最先进的任务专用方法，准确率可与大规模基础模型相当，甚至在HMC和Workload基准上分别仅用 0.18M和 0.011M参数即实现超越。
方法：将搜索限制在神经科学合理流形内
论文指出，基础模型在通用领域成功，但应用于EEG分析时受限于大量数据需求和参数数量，带来高昂计算成本，并阻碍在资源受限的临床环境中部署。通用AutoML框架也不适用，因为在无界编程空间中的探索无法融入必要的神经生理学先验，常产生神经科学上不合理的解决方案。
NeuroWeaver引入两种机制：领域信息子空间初始化（Domain-Informed Subspace Initialization）将搜索限制在神经科学上合理的流形上；多目标进化优化（Multi-Objective Evolutionary Optimization）通过自我反思式细化，动态平衡性能、新颖性和效率。
摘要提到代码可供查看（查看PDF HTML（实验性）），但摘要未提供具体开源许可证或可用性日期；投稿历史显示三个版本，第三版于 2026 年 9 月 3 日提交。
- 基于LLM的流水线生成：NeuroWeaver将流水线工程视为受约束的离散优化问题，而不是在无界代码空间中搜索。
- 领域信息初始化：搜索从神经科学上合理的子空间开始，避免产生不可能或不合理的EEG处理步骤。
- 多目标优化：在进化过程中同时优化性能、新颖性和效率；论文称通过自我反思式细化实现。
基准表现：以极小参数规模达到或超越基础模型
论文报告称，在五个异构基准上，NeuroWeaver合成的流水线在几乎所有指标上优于最先进的任务专用方法。它获得的准确率与大型基础模型相当，并在HMC和Workload基准上超越这些模型。
论文报告了资源使用量：HMC基准上 0.18M参数，Workload基准上 0.011M参数。这些数字尚未经过独立验证。
- 五个基准：论文列出“五个异构基准”，并报告HMC和Workload的详细结果。
- 参数效率：HMC 0.18M参数；Workload 0.011M参数。根据论文，这些数字足够小，可支持资源受限的临床环境部署。