去掉重叠窗口的计时捷径后，非侵入式脑到文本解码在五个观测下把词错误率降到36.6%

联合解码词所报告的大部分增益并不依赖脑活动，而可由重叠窗口泄露的词时长信息复现。 此前该增益被归因于对句子内神经反应的联合建模；本文用保留重叠结构但不含刺激信息的合成连续信号作为对照，把增益来源定位到输入构造本身。 在 LibriBrain100 受试者0上，联合解码真实MEG为22.3%平衡词准确率，独立解码为9.5%；保留相同重叠结构的合成信号达22.0%，去掉重叠后降至5.8%，仅输入词间隔的计时对照为22.9%；该效应在其余32名受试者及 Armeni 等（2022）与 Le Petit Prince 数据集上复现。

重叠窗口之所以泄露信息，是因为相邻窗口共享样本，可直接反推出词起始间隔，而该间隔与词时长高度相关。 作者把这一现象明确为捷径学习（shortcut learning）的一个实例，并给出可解的数学形式：相邻窗口在重叠区满足同一采样关系，最小化平方差即可恢复间隔。 自然语音数据中99.9996%的相邻词对窗口重叠，平均共享90.6%的样本；在122,120个相邻词对上，起始间隔与前一词标注时长强相关；联合解码器的预测与基于时长的词后验分布对齐程度明显高于独立解码器。

改为逐词独立解码后，聚合同一词的多次神经响应与引入LLM语言先验这两项既有策略变得显著有效。 在联合解码设定下，聚合收益很小、LLM重打分接近甚至差于纯LLM基线；去掉捷径后，神经证据与语言先验呈现互补。 在200句临床沟通基准（92词词表）上，五次观测时LLM重打分把词错误率从74.3%降到36.6%，观测数从一增到五把词错误率从65.6%降到36.6%；神经解码器单独为74.3%、纯LLM为73.8%，而匹配MEG统计量的噪声输入为97.1%、打乱预测嵌入为88.3%。

该捷径的影响范围超出原始工作，但并非普遍存在于所有对齐窗口任务。 作者把分析扩展到后续多项非侵入式脑到文本研究与基准，并对 Brain2Qwerty 做了同类合成对照。 在 d'Ascoli 等（2025）分析的九个数据集中，只有 LittlePrinceRead 与 Nieuwland 因阅读协议给每个词相同时间而不受影响，这也正是联合解码未带来提升的两个数据集；Brain2Qwerty 的合成输入仅略高于随机（验证6.5%、测试6.8%字符准确率，真实MEG为37.0%与34.9%），说明计时无法解释其性能。

该结果面向词对齐的非侵入式脑到文本设定：解码时已知每个词的起始时间，且评测在受限的临床沟通领域内进行，使用92词词表与200句基准。作者说明该基准由公开的 LibriBrain100 数据构造、未经临床验证，并建议在真实使用前做以用户为中心的评价。方法上，SimpleB2T 保留 d'Ascoli 等的词级编码器、语义目标与对比训练框架，仅把句子级联合编码换成逐词独立编码，模型规模从约2亿参数降到约2000万参数；聚合多次观测无需重新训练神经解码器，因此增加观测次数成为用记录负担换取可靠性的手段。作者也指出，在词起始未知的设定下这类泄露不构成问题，但那是一个不同且更困难的任务，本文未作评估；把结果推广到想象语音等内部生成语音，是走向实用非侵入式沟通接口的关键一步。

读者仍需留意若干开放问题。其一，本文评测的是感知语音而非想象语音，作者明确表示不将其视为已实现的实用脑机接口。其二，词对齐假设意味着词起始时间已知，与联合解决语音切分与词解码并不相同。其三，临床沟通基准未经临床验证，其句子由生成式工具辅助构造后经作者审阅，真实患者场景下的表现尚待以用户为中心的评价。其四，作者指出当前一个主要瓶颈是如何在束搜索候选中选出正确句子，因为更好的句子往往已在束内；减少所需观测次数同样是未解问题。其五，本文为全文阅读，但正文中若干结果表格在所提供的文本中未给出具体数值，因此部分消融与对比只能依据正文叙述而非表格数字来概括。