OmniMouse：基于 1500 亿神经标记的多模态、多任务大脑模型的比例属性
神经元与认知
2026-04-22 v1 人工智能
摘要
规模化数据和人工神经网络已推动了 AI 在语言和视觉领域的突破，但是否适用于大脑活动建模仍不清楚。本文利用了来自 73 只小鼠的视觉皮层的 310 万神经元数据集，总计超过 1500 亿个神经标记，记录于自然电影、图像和参数刺激期间的行为活动。我们训练支持三种模式的多模态、多任务模型：神经预测、行为解码、神经预测或这三者的任意组合。OmniMouse 实现了最先进的性能，在 nearly all评估模式中均优于专门基线。我们发现性能随数据增多而可靠扩展，但增加模型大小带来的收益会饱和。这颠覆了标准的 AI 扩展叙事：在语言和计算机视觉中，大数据使参数扩展成为主要的进步驱动力，而在大脑建模中——即便在小鼠视觉皮层这种相对简单的数据系统中，模型仍然受数据限制，尽管拥有广泛的记录。系统atic扩展的观察引出了神经建模中相态转变的可能性，更大、更丰富的数据集可能解锁新质量的能力，类似于大型语言模型中看到的涌现特性。代码地址为 https://github.com/enigma-brain/omnimouse。
引用
@article{arxiv.2604.18827,
title = {OmniMouse: Scaling properties of multi-modal, multi-task Brain Models on 150B Neural Tokens},
author = {Konstantin F. Willeke and Polina Turishcheva and Alex Gilbert and Goirik Chakrabarty and Hasan A. Bedel and Paul G. Fahey and Yongrong Qiu and Marissa A. Weis and Michaela Vystrčilová and Taliah Muhammad and Lydia Ntanavara and Rachel E. Froebe and Kayla Ponder and Zheng Huan Tan and Emin Orhan and Erick Cobos and Sophia Sanborn and Katrin Franke and Fabian H. Sinz and Alexander S. Ecker and Andreas S. Tolias},
journal= {arXiv preprint arXiv:2604.18827},
year = {2026}
}
备注
Published at ICLR2026