少樣本／跨場次解碼基準

指為檢驗基礎模型確切承諾——以少量校準達成遷移——而建立的標準化評估，而非圖方便的同分布準確率。FALCON（Few-shot Algorithms for Consistent Neural decoding）衡量解碼器在僅有小量校準集下，於留出日期與受試者上、跨多種植入模態的維持程度。Neural Latents Benchmark（NLB）則以共同度量（如 co-smoothing）評估所推斷潛在狀態的品質，涵蓋一組資料集。這些基準使主張可比較、可重現。

其價值在於學科規範。一個模型唯有在其從未見過的資料——新場次、新受試者——上以極少目標資料達成遷移，才配得上「基礎」之名，而這正是這些基準所隔離的。若缺乏此種留出、少樣本的評估，看似亮眼的數字可能反映的是被記住的同分布結構，而非本領域欲購得的通用性。