收录解读
如果神经科学想真正和 foundation model 接轨，关键不只是做一个更高分的 encoding model，而是把跨视觉、听觉和语言刺激的大规模脑响应预测统一到同一个可泛化模型接口上。TRIBE v2 的定位正是这样：它试图把人类大脑对几乎任意 sight or sound 的反应，建模为一个可 zero-shot 外推的新型 trimodal brain encoder。
这项工作的核心新意，是把 vision、audition 和 language 联合到同一 foundation-model 训练对象里，并基于 500 多小时、700 多名被试的 fMRI 数据学习可迁移的神经响应表示。论文强调它不仅在新被试、新语言和新任务上做 zero-shot 预测，还通过可解释 latent feature 抽取，去揭示 multisensory integration 的细粒度拓扑结构，从而把预测性能与神经机制解释连到一起。
它值得正式收录，因为这不是普通脑编码 benchmark 提升，而是在 NeuroAI 方向上把 foundation model 方法论直接引入 in-silico neuroscience。它对脑响应数字孪生、跨模态神经表征建模、以及用 AI 统一不同感觉通道的认知神经科学工作流，都有明确外溢价值，也符合仓库对 neuroscience 条目的高门槛要求。
它目前仍然是 breakthrough，而不是更高一级，因为主证据仍主要建立在 Meta 官方技术报告和其组织的数据资产之上。虽然方向很强、规模也足够大，但它是否会成为更广 NeuroAI 社区的 durable reference，还要看外部复现、下游采用和对 brain-inspired AI 的实质性反哺。