#Brain2Qwerty

Meta Brain2Qwerty v2 后续讨论:9 人志愿者 MEG 数据开源后,社区关注点是『健康志愿者→真实患者』的迁移路径

6-29 早报已发 Meta Brain2Qwerty v2 上 Nature 的深度页(平均 61% 词准确率、最佳 78%、开源 v2 训练代码 + v1 数据集)。6-30 社区的焦点从『数字本身』转向『健康志愿者 → 真实患者的迁移路径』——ALS、脑干中风、闭锁综合征等真实失语患者的脑信号模式与健康志愿者可能不一致,词准确率会下降多少成为业内核心追问。

Brain2Qwerty v2 在 6-29 的热度集中在 61%/78% 数字本身,6-30 社区讨论开始向前端迁移到临床的工程问题上聚焦。Meta 开源 v1 数据集与 v2 训练代码的真正价值,在于让其他实验室可以基于自己的受试者群体做对照实验——这意味着 6-12 个月内可能会出现首批独立复现数据,其中『真实患者词准确率』是关键变量。同时,MEG 设备价格(单台数百万人民币)与磁屏蔽室要求,意味着这条路线短期内可能仍局限在顶尖医院与研究机构。读后续动作的两个观察点:**Nature 论文 DOI 释出后的第三方独立复现数据**;**真实患者(ALS / 脑卒中 / 闭锁综合征)数据是否在 6-12 个月内开始出现**。

Meta Brain2Qwerty v2 上 Nature:首个能从原始 MEG 脑信号端到端实时解码整句的非侵入式 BCI,代码与数据全开源

Meta FAIR 在 Nature 上发表 Brain2Qwerty v2:训练数据来自 9 名健康志愿者,每人佩戴 MEG 设备打字 10 小时,共约 22,000 句;端到端深度学习处理 MEG 原始信号并微调 LLM,平均词准确率 61%、最佳受试者 78%、>50% 句子解码错误 ≤1 词,性能随数据量对数线性扩展。Meta 同时开源 v1+v2 完整训练代码,与 BCBL 同步开源 v1 数据集。这是字符级 v1 之后首次跃迁到词与语义级,被业内视为非侵入式脑机接口从'实验室玩具'走向'临床沟通可行'的关键节点。