权重空间编程让语言模型直接读写神经网络权重，此前只在游戏网络和语言模型上演示过。这项研究把它用到脑电与心电模型上：Claude Opus 5.5 在没有任何梯度步骤、只给5名练习受试者的情况下，写出 TinyEEGNet 全部2730个权重，在65名未见受试者上取得0.834的平衡准确率，与同架构用30名受试者常规训练的0.806相当，高于用5名训练的0.704；但它无法从权重判断网络任务，也无法改进已训练良好的网络。
实时心电监护只能用因果滤波器，而这类滤波器的非线性相位会把心电波形不同频率成分错开。在三个独立临床数据库共36,583条12导联心电记录上，仅改变相位、保持频谱幅度不变，ResNet-18的宏AUROC在PTB-XL上下降0.1244，传导阻滞类识别从0.91以上跌到约0.62。一种训练时随机施加全通相位扰动的正则化方法，在各队列挽回了86.9%至90.9%的相位致性能损失，且不改变模型结构。
线性探针此前靠对话位置和文本长度就能在标准评测里拿到0.91–0.98 AUROC，把同一时刻的干净对照和无害仿写加入训练后，六个开源模型上对无注入对话的误报从41–80%降到4–27%。
该工作针对纹理驱动视觉域开展捷径学习分析并与形状驱动的标准基准对比，发现纹理驱动域主要依赖少数频谱偏斜的低频分量（LFC）做决策，而高频分量（HFC）其实具有更高预测力；从训练集和测试集中剪除LFC可缓解该捷径并带来更均衡的频谱行为，在算法与真实域偏移下使分布内准确率最高提升10%、分布外准确率最高提升40%，同时通用与领域专用基础模型也可能存在低频捷径。
该研究指出，d'Ascoli 等人（2025）联合解码句子中所有词的做法，其大部分性能提升可在不含脑信息的合成信号上复现（合成信号22.0%对真实MEG 22.3%），原因是相邻的三秒词对齐窗口相互重叠、隐式泄露了词时长；作者改为逐词独立解码（SimpleB2T），使多观测聚合与大语言模型先验变得有效，在临床沟通基准上以每词五次观测达到36.6%的词错误率。
已读完全部报道