这篇于2026年5月19日提交到arXiv的论文《Fine-tuning language encoding models on slow fMRI improves prediction for fast ECoG》（在缓慢的fMRI上微调语言编码模型可改善对快速ECoG的预测），由Aditya R. Vaidya等三位作者完成，归类于计算与语言（cs.CL）方向。研究聚焦于神经科学中一个长期存在的现实难题：数据获取方式之间的不对称性。
论文开篇指出，神经科学家近年来越来越倾向于在人类实验中使用颅内脑记录方法，例如皮层脑电图（ECoG），原因在于这类方法能够提供极高的空间与时间分辨率。然而，依赖此类数据训练的模型受到一个根本性的限制：只有能够接受植入手术的特定患者群体才能提供记录，样本来源极为有限。为填补训练数据的缺口，作者提出利用非侵入式的功能性磁共振成像（fMRI）作为桥梁。
具体而言，研究团队使用在fMRI数据上微调过的口语语言表征，构建了针对ECoG的编码模型。实验结果显示，尽管fMRI的时间分辨率比ECoG差了整整两个数量级，这些表征在ECoG上的预测表现依然获得了提升。更值得关注的是，预测改善不仅出现在fMRI能够直接测量的频段，还延伸到了远超出该范围的频段，说明fMRI微调带来的收益并非局限于其自身可观测的信号特征。
为了检验该流程的泛化能力，作者进一步将用于微调的fMRI响应在时间维度上进行了2倍下采样，再据此训练模型。结果显示，尽管分辨率有所损失，这些模型在预测fMRI与ECoG响应方面的水平仍与原始的fMRI微调模型相当。这一发现表明该方法对数据质量的下降具有一定的鲁棒性。
最后，研究还考察了数据规模的影响，发现ECoG上的预测性能随着fMRI微调数据量的增加而稳定提升。作者据此总结，像fMRI这样“慢速”的数据可以成为构建“快速”脑数据（如ECoG）更好模型的有价值资源。展望未来，他们认为整合多种记录方法有望在解码等其他应用场景中进一步提升性能。该论文的arXiv编号为2605.19224，DOI为10.48550/arXiv.2605.19224，全文可通过PDF或实验性HTML版本获取。