Du kan nu förvandla billiga EEG-headset till laboratorieklassade hjärnskannrar. Och det är öppen källkod. ZUNA är en 380M-parameter grundmodell som rekonstruerar saknade hjärnsignaler från partiella EEG-data. Den fungerar i alla elektroduppsättningar, från konsumentheadset till 256-kanals forskningssystem, utan omträning. Det låter dig: - Rekonstruera saknade EEG-kanaler från gles data - Störningsavbrända signaler - Förutsäga nya kanaler enbart utifrån elektrodkoordinater - Hantera godtyckliga elektrodlayouter Modellen använder en diffusionsautoencoder med en transformatorryggrad. Den tränades på 2 miljoner kanaltimmar över 208 dataset med hjälp av maskad diffusionsträning och 4D-rumsliga inbäddningar. Detta gör att modellen kan förstå den fysiska geometrin för elektrodplacering. Varje kanalsignal komprimeras till tokens, sedan kodar modellen x, y, z positioner plus tid i separata uppmärksamhetskomponenter. EEG-data har fastnat i en era före grundläggningsmodellen. Dataset är små, fragmenterade mellan institutioner och samlas in enligt olika protokoll. Standardlösningen för saknade kanaler är sfärisk spline-interpolation, i princip rumslig utjämning. Det fungerar okej när några kanaler tappar men faller isär när du förlorar mer än 75 % av din data. ZUNA slår denna baslinje genom att lära sig faktiska mönster i hjärnaktiviteten istället för att bara jämna ut punkterna mellan punkter. Klyftan ökar dramatiskt vid höga avhoppsfrekvenser, precis där du behöver det mest. Tanke-till-text positionerar sig som nästa stora AI-modalitet efter språk, vision och ljud. Men du kan inte bygga den framtiden på data som kastas bort för att några elektroder har gått sönder. Modellen är helt open source under Apache 2.0, körs på konsument-GPU:er och fungerar på CPU för många uppgifter.