先诊断再干预的研究智能体
固定的脑电流程和奖励驱动的搜索都跳过了一个诊断步骤：它们没有明确弄清信号结构、表征、预测器行为和训练动态各自如何造成性能或泛化差距。NeuroAct 的设计目标就是把干预选择这一步显式化。它是一个自主研究智能体框架，覆盖脑电基础模型、任务专用预测器以及模型组合。
该框架运行两个相互耦合的循环。在内层循环中，协调者把一个共同目标拆成若干并行问题，分派给三个角色：负责调查并提出方案的研究者、负责实现并运行实验的开发者，以及负责质疑结果的评审者。这些角色依据信号结构、表征、预测器行为和训练动态方面的证据工作，并利用性能、稳定性和成本反馈来改进候选方案。随后，外层循环把结果提炼为带条件的、可检验的建议，并标注这些建议成立时所对应的任务和模型条件，再在后续任务上验证或修订它们。
BrainBench 上领先 17.75 分
第一项设置是脑电通用分析，考察智能体在 BrainBench 四个领域上的脑电知识与分析能力：基础、睡眠、神经认知和生理。使用 DeepSeek 后端时，NeuroAct 的宏平均分为 80.88，BrainAgent 为 63.13，CodeAct 为 61.02，BrainPilot 为 58.90。与 BrainAgent 的差距为 17.75 分。
分领域结果说明了这个平均分来自哪里。NeuroAct 在基础领域得 87.26，在生理领域得 92.16，最弱的神经认知领域为 68.73。作者还用另外两个大语言模型后端运行了 NeuroAct：Luna 的宏平均分为 75.58，Qwen 为 75.26，因此三个后端都保持在 75 以上。这说明该比较并非只靠一次幸运的模型搭配，不过标题数字采用的是 DeepSeek 配置。
在五个目标上改进共享检查点
跨任务模型优化考察智能体能否修订同一个共享检查点，使其同时服务四个分类任务和 HBN 年龄回归。论文对四个编码器家族报告了这一结果。对 EEGPT，NeuroAct 把平均平衡准确率提高了 7.34 分，并把 HBN 的 Pearson r 从 0.6894 提升到 0.7362。对 REVE，HBN 的 r 从 0.616 升到 0.719，平均绝对误差从 2.149 降到 1.810。
提升并不均匀，论文自己的表格也显示了这一点。LaBraM 在 BCIC-IV-2a 上的平衡准确率只从 28.65 升到 33.94，其 ADFTD 结果从 35.28 升到 56.37，而 EEGPT 的 ADFTD 平衡准确率反而从 46.51 略微降到 45.98。在使用 DeepSeek 和 LaBraM 的框架比较中，NeuroAct 在 Workload 上达到 65.29 平衡准确率，在 HMC 上达到 70.74，而 BrainAgent 在相同任务上分别为 50.00 和 36.34。规律是：智能体在起始检查点明显不足的地方帮助最大，而不是在所有地方都均匀提升。
开放研究与模型组合带来更多提升
单任务开放研究固定数据集和预测协议，但允许智能体选择模型并修改实现。在 ADFTD 上，选中的 ShallowFBCSPNet 达到 71.26 平衡准确率，而作为对照的 EEGNet 为 54.93，提升 16.33 分。在 BCIC-IV-2a 上，选中的 REVE 达到 60.59，作为对照的 CBraMod 为 52.60。在 HBN 回归上，NeuroAct 的 REVE 预测器达到 r = 0.715，高于作为对照的 BIOT 的 0.488。
协同预测考察组合模型能否胜过最佳单一成员和简单的等权组合。在 Workload 上，NeuroAct 达到 85.02 平衡准确率，高于最佳单一成员的 79.69 和等权组合的 77.95。在 HBN 上，其协同方案达到 r = 0.780、MAE 1.585，优于最佳单一成员的 r = 0.758 和 MAE 1.661。在最佳单一模型本已很强的任务上，提升较小：HMC 从 73.12 升到 75.14，BCIC-IV-2a 从 60.85 升到 61.02。
复用经验同时提高准确率并降低 token 成本
外层循环的价值通过经验复用得到直接检验。复用先前任务的建议后，BCIC-IV-2a 的平衡准确率从 34.66% 升到 50.81%，同时大语言模型 token 用量下降 64.02%。这一组合很重要：智能体不是靠更多搜索换来准确率，而是用更少的高成本大语言模型交互取得了更好的结果。
这是论文中最清楚的证据，说明外层循环传递了某种可迁移的东西，而不只是重跑内层循环。作者把机制描述为：把结果提炼成带任务和模型条件的建议，然后在后续任务上匹配并采用这些建议。token 下降是针对这项复用研究报告的，因此应把它理解为该比较的性质，而不是每项设置都能获得的固定成本节省。
基准提升不等于临床可用
四项设置都在已有脑电数据集上评估，研究报告的是汇总基准结果，没有招募新参与者。作者指出，NeuroAct 是作为研究框架评估的，临床使用需要独立验证，并评估人口学和记录条件变化带来的影响。因此，报告的平衡准确率、Pearson r 和宏平均分描述的是论文协议下的基准性能，而不是临床诊断性能。
结果内部还有两个边界。标题中的 BrainBench 比较使用 DeepSeek 后端，Luna 和 Qwen 的宏平均分更低，是单独报告的。跨任务结果也随编码器家族而变化，有些任务提升明显，另一些几乎不动甚至下滑。读者在比较不同智能体时，应先对齐后端、编码器和任务，再把任何单个数字当作通用能力分数。
看逐任务表格，而不是平均值
论文最有用的信号，是任务之间的分化：智能体有提升空间的任务，与基线本已很强的任务表现不同。Workload 协同预测比最佳单一成员高 5.33 分，ADFTD 开放研究比对照模型高 16.33 分，而 BCIC-IV-2a 协同预测只高 0.17 分。同一个智能体、同一套基准，因起点不同而产生了差别很大的提升幅度。
因此，真正值得关注的是外层循环产出的带条件建议，而不是汇总分数。论文的主张是：NeuroAct 能跨任务积累经过验证的建议，并更有效地开展后续研究，证据是 BCIC-IV-2a 复用结果达到 50.81% 平衡准确率、token 减少 64.02%。这种迁移能否适用于新任务，取决于该任务的任务和模型条件是否与某条已存建议匹配，而这正是框架为每条建议附加的条件。
本文引用的文献
NeuroAct: Advancing EEG Analysis and Decoding via Dual-Loop Autonomous Research
NeuroAct 的双环自主研究智能体在 BrainBench 上取得 80.88 宏平均分，而 BrainAgent 为 63.13；它在四项设置中提升了解码表现，并通过经验复用把 BCIC-IV-2a 平衡准确率从 34.66% 提高到 50.81%，同时把大语言模型 token 减少 64.02%。