神经电生理预训练模型架构各异、输入格式互不兼容，实验室往往要逐模型手工配置才能比较。NS-Copilot 把九个脑电与脉冲预训练模型统一到一个自然语言接口下，由规划、编码、控制、解读四个智能体自动选模型、生成代码并闭环调优。在阿尔茨海默病、帕金森病和工作记忆解码三个基准上各跑8次，其主指标分别为宏F1 57.16%、平衡准确率71.32%和74.43%，均高于所列基线。
神经数据分析的模型选择与调用被交给一组分工明确的AI智能体，用户只提供原始记录和一句任务描述。 此前脑电预训练模型各有采样率、通道布局和张量形状要求，跨模型比较需要逐模型手工配置，通用AutoML的搜索空间也不包含这些领域模型。 系统在阿尔茨海默病脑电、帕金森病脑电和工作记忆脉冲三个公开数据集上各做8次独立端到端运行，主指标分别为宏F1 57.16%、平衡准确率71.32%和74.43%，均高于AutoML-Agent、LAMBDA、AutoGen、SciAgents、Claude-Sonnet-4.5与Codex等基线。
九个预训练模型被抽象成统一的无状态推理端点，只负责输出特征向量，下游分类逻辑由智能体在运行时现写。 规划智能体读取模态、通道数、采样率和类别分布，自行确定主指标并排出候选模型队列，达到性能阈值即提前停止。 若队列耗尽仍未过阈值，控制智能体会诊断执行指标，在局部改代码与整体重规划之间二选一，默认最多两轮重试；在阿尔茨海默病上，两轮强制重试平均只变动−0.11个百分点，而取三轮中最好一轮则比初始轮高3.80个百分点，48次运行中25次改善、0次变差。
增益主要来自预训练模型本身，而不是多智能体编排。 去掉预训练模型的同架构初始轮在阿尔茨海默病和帕金森病上分别得49.80和64.52，低于单步Codex的51.01和65.52。 在关闭队列搜索、提前停止和控制器、模型事先固定的留出评估中，REVE在阿尔茨海默病上比手工特征高13.34个百分点，POYO-1在工作记忆上高6.82个百分点，BrainOmni在帕金森病上仅高0.68个百分点。
演示范围限于三个公开数据集上的脑电与细胞外脉冲分析：阿尔茨海默病三分类、帕金森病二分类和工作记忆左右舔决策解码，每个场景各一个数据集。适合需要在不写管线代码的情况下比较多个神经预训练模型的研究者。作者计划在同一场景内增加数据集，并扩展fMRI、MEG等模态和更多分析工具。
作者指出每个场景仅由一个数据集代表，且闭环评估带来更高执行时间和算力，单次运行成本约为单步Codex基线的1.5至2倍。统一的300秒脚本预算使嵌入维度最大的BrainOmni在阿尔茨海默病上多次超时并以零计入均值；放宽预算重跑后其宏F1为62.32%。BrainOmni的检查点曾以该数据集的一个65人二类子集作为下游基准，本实验冻结主干、使用全部88人的三类标签。
