KI SpotlightNewsBrainLoRA soll Modelle mit bis zu 104 Milliarden Parametern an Hirndaten anpassen
Ein Preprint von Columbia University, Mind Lab, Tsinghua University und HKUST(GZ) nennt laut eigener Angabe die beste veröffentlichte Leistung bei Algonauts 2025. Unabhängig geprüft ist das bislang nicht.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Hirn-Encoding-Modelle passen bisher meist nur Readouts auf eingefrorene Backbones an.
- BrainLoRA passt Backbones per LoRA mit leichtem Readout an und sagt mehrere Zeitpunkte gleichzeitig vorher.
- Laut Autoren verbessert BrainLoRA die Encoding-Leistung konsistent über neun multimodale Backbones.
- Auf dem Qwen3-Omni-Backbone des bisherigen SOTA erreicht BrainLoRA laut Autoren die beste veröffentlichte Leistung bei Algonauts 2025.
- Algonauts 2025 nutzt CNeuroMod-Daten: vier Probanden, knapp 80 Stunden Filmstimuli, 1.000 kortikale Parzellen.
BrainLoRA soll Backbones mit bis zu 104 Milliarden Parametern anpassen und bei Algonauts 2025 vorne liegen
Forscher der Columbia University, des Mind Lab, der Tsinghua University und der HKUST(GZ) beschreiben in einem Preprint, wie sich sehr große multimodale Modelle für das Hirn-Encoding anpassen lassen. Die Methode heißt BrainLoRA. Sie verbindet LoRA-Adapter (Low-Rank Adaptation) mit einem leichten Readout. Trainiert werden so nur wenige Parameter.
Den Autoren zufolge steigert das die Encoding-Leistung über neun verschiedene multimodale Backbones hinweg. Auf dem Qwen3-Omni-Backbone, den auch der bisherige State of the Art nutzt, soll BrainLoRA die beste veröffentlichte Leistung bei der Algonauts 2025 Challenge erreichen. Das Material nennt keine Zahlen zum Leistungsgewinn. Der Abstand zur Konkurrenz lässt sich deshalb nicht beziffern.
Das größte angepasste Modell umfasst laut Autoren 104 Milliarden Parameter. Damit wäre es das größte Modell, das bislang für Hirn-Encoding angepasst wurde. Auch diese Angabe ist Selbstauskunft und nicht unabhängig geprüft.
Mehrere Zeitpunkte in einem Durchgang: Die Autoren sehen darin die Kostenersparnis
Im Hirn-Encoding ist es üblich, Readouts auf eingefrorenen, vortrainierten Backbones anzupassen. Große Modelle mit Hirndaten von Grund auf zu trainieren oder vollständig feinzujustieren, gilt als schwierig. Die Autoren begründen das selbst mit den hohen Kosten und der begrenzten Menge solcher Daten.
BrainLoRA nutzt die kausale Struktur des Backbones. Die Methode sagt mehrere Zeitpunkte in einem einzigen Durchgang voraus, ein eigenes Sliding Window für jeden Zeitpunkt entfällt. Weil die Eingabe nicht mehrfach durchlaufen werden muss, sinken laut den Autoren die Kosten der Feature-Extraktion deutlich. Nach ihrer Darstellung macht erst das die Anpassung sehr großer Backbones praktikabel. Zahlen zu Rechenzeit oder Speicherbedarf enthält das Material nicht.
LoRA ist im Feld nicht neu. BrainWavLM hat die Technik bereits genutzt, um ein WavLM-basiertes Encoding-Modell Ende-zu-Ende feinzujustieren. Das geschah allerdings in deutlich kleinerem Maßstab.
Datensatz, Code und offene Fragen
Die Algonauts 2025 Challenge stützt sich auf Daten des CNeuroMod-Projekts. Vier Probanden sahen knapp 80 Stunden Filmmaterial. Vorhergesagt werden die Hirnreaktionen in 1.000 kortikalen Parzellen. Der Code soll unter github.com/zfying/brain-lora verfügbar sein.
Offen ist einiges. Der vorliegende Abstract ist abgeschnitten, Details zu den Ergebnissen fehlen. Die behauptete verbesserte Interpretierbarkeit der angepassten Modelle ist im Material nicht belegt. Ob BrainLoRA tatsächlich die beste veröffentlichte Leistung erzielt, muss ein Vergleich mit den Leaderboards und Teamberichten der Challenge zeigen. Dieser Vergleich steht noch aus. Das Preprint ist auf Oktober 2026 datiert und liegt nach den vorliegenden Angaben nicht begutachtet vor.
