ALICE 用一次预训练的 Transformer 在零样本下估计互信息，在 Beyond Normal 基准的 1k 样本预算上误差至少比对手低两倍，并在生物、遗传与神经科学数据上复现既有结论
作者提出 ALICE，一个仅在合成分布族上训练一次的 Transformer 基础模型，它把互信息估计转化为对未见分布整流流速度场的上下文内估计，在 Beyond Normal 基准上与逐分布训练的神经估计器竞争，并在 1k 样本预算下误差至少低两倍，同时在模型从未见过的生物学、遗传学和神经科学数据上零样本复现并扩展了专用估计器的结论。