脑电基础模型全景盘点：学术圈55个，公司端跑出来的只有3家

关注上方<脑机观澜>，不迷路

55个学术模型，公司端跑出来的只有3家。这是2026年脑电基础模型赛道的真实格局。

看EEG-FM-Compass那篇论文时我挺兴奋的，它把55个脑电基础模型纳入统一技术框架，并对其中12个开源模型在9类BCI范式、13个数据集上做了统一评测，这个工作量在脑电领域是头一回。

兴奋之余我去查了一圈公司端的情况，发现事情不太对劲。论文里热火朝天，按标准卡下来，全球掰着手指头数也就三家——美国的Zyphra、中国的Omni-EEG（全域智能）、以色列的Hemispheric。

为什么差这么多？

这篇不是论文清单扩写，而是给进入这个领域的人一份可以存档的脑电大模型盘点。

先说筛选标准。三条：有可验证的模型权重或产品、预训练数据达到一定规模、在权威评测里露过脸或有产品化动作。

按这个标准卡下来，学术开源端留下8个，公司产品端能进主表的只有3家。

顺便提一句，我们聊的是EEG foundation model，不是植入式BCI硬件，也不是消费级头环的信号处理应用层。

数据来源主要是EEG-FM-Compass和OmniEEG-Bench两大基准的交叉比对对象。

这8个模型是综合三大基准的出现频次及OmniEEG-Bench主榜排名表现筛选而出的，是目前学术圈最能打的。

Brant，浙江大学，针对颅内脑电（iEEG）设计，68M-506M参数，281k channel-hours，时空双Transformer加掩码重建。颅内信号与头皮脑电差别很大，应用场景不同。

BIOT，MIT，3.3M参数，312k channel-hours，线性Transformer加对比学习。参数量小但跨生理信号迁移能力强。

LaBraM，上海交大，ICLR 2024，5.8M-369M参数，80k channel-hours，神经令牌加掩码重建。较早提出"脑电大模型"概念的代表作之一。

CBraMod，浙江大学，4.0M参数，TUH 9000+小时，十字交叉注意力加掩码重建。OmniEEG-Bench排名3.49，400万参数打平大模型，架构设计比堆参数更管用。

NeuroLM，上海交大+微软亚洲研究院，250M-1.7B参数，546k channel-hours，矢量量化加自回归加语言对齐。17亿参数为目前EEG领域最大规模之一。

BrainWave，浙江大学，参数未公开，878k channel-hours，超40000小时，信道注意力Transformer。同时覆盖EEG和iEEG，首个跨有创无创双模态预训练模型。

REVE，69.4M参数，超60000小时，92个数据集，4D位置编码Transformer。支持任意电极布局迁移，泛化能力突出。

BrainOmni，上海人工智能实验室主导，首个EEG+MEG双模态预训练模型，1997小时EEG+656小时MEG，传感器感知令牌化器跨设备迁移能力强。OmniEEG-Bench排名3.47。

关于学术端的三个观察

第一，规模跟性能不一定成正比。几万参数的EEGNet在很多任务上跟微调后的基础模型打得有来有回。

第二，CBraMod靠400万参数排前列，说明架构设计比堆参数更管用。

第三，没有全能冠军。BIOT在疾病相关任务突出，REVE擅长意识与状态解码，CBraMod在认知与情绪方向有优势，BrainOmni在运动交互和自然刺激解码上更强。选模型得看具体要解决什么问题。

评测还发现，预训练数据多样性和模型规模跟更好排名显著相关——EEG的scaling law已有雏形。但冻结表征迁移仍不足，"即插即用"远未实现。

公司侧冷清得多，按公开材料只有三家。

1. Zyphra（美国旧金山）

2026年2月发布ZUNA，7月更新至ZUNA1.1。380M参数扩散自编码器，训练数据约350万channel-hours。Apache 2.0开源，HuggingFace权重、GitHub代码、PyPI包全部公开。核心能力是跨任意电极布局的去噪、缺失通道重建、超分辨率升采样。不做解码，做信号重建前置。

2. 全域智能 Omni-Intelligence（中国深圳）

2026年2月成立，南科大孵化。已构建10万人时EEG数据清洗，完成1B参数Omni-EEG预训练。8月完成数千万种子+轮融资，招商局创投领投。思路是借鉴LLM经验，用海量多中心数据预训练通用基座。

3. Hemispheric（以色列）

2026年7月结束六年隐身研发，完成5200万美元融资，发布Descartes。60亿参数，训练数据超25万小时，覆盖10万余名参与者。非侵入式干电极EEG。CEO是计算神经科学家，CTO是苹果Face ID联合发明人。临床方向瞄准PTSD、抑郁症、精神分裂症、阿尔茨海默病，计划2027年提交FDA。

值得关注的潜力玩家：NeuroDX（印度）

2026年2月发布MANAS-1，4亿参数，超6万小时脑电记录，超2.5万名患者。核心能力是癫痫检测，据称准确率95%。但尚未在两大权威评测中出现，暂不升入主表。

信号重建派：Zyphra ZUNA。信号太碎片化，先做去噪、补全通道、升采样，把信号层面统一了再谈解码。

数据规模派：全域智能和REVE。相信scaling law，数据够多参数够大，Transformer自己就能学会通用表征。

神经先验派：CBraMod、Brant等。架构必须尊重脑电的时空结构，400万参数打平大模型，归纳偏置比堆参数更划算。

临床诊断派：Hemispheric和NeuroDX。绕过"通用表征"，直接瞄准有明确临床需求的窄任务。

这几种路线面对的是不同层面的问题，没有绝对对错。

下一个阶段真正值得追问的是：继续堆数据和参数，还是回到神经生理先验？这个答案，大概率决定了脑电基础模型能不能跨过"通用"二字最后的门槛。

Neuralink、Synchron、Paradromics：植入式BCI硬件，公开材料里没有"基础模型"产品化表述。

Neurable、Emotiv、Muse、Kernel：消费级可穿戴，做的是信号处理加AI分析应用层。

Meta的MEG解码：用脑磁图不是EEG，技术路线不同。

看完这份盘点，你觉得还有哪家应该被收录、但我漏掉的？欢迎在评论区补充。

说明：本文基于公开学术论文、公司披露及行业媒体报道整理，数据截至2026年9月6日。