一句话看懂：Meta 发布了 Brain2Qwerty v2 模型，用非侵入式脑磁图（MEG）记录活动，从打字信号中重建句子。平均词错误率降至 39%，最佳参与者达到 22%——这一水平正在逼近需要开颅手术的脑植入方案。
事件核心：发生了什么
Meta 的 FAIR 研究团队于 2026 年 7 月 1 日公布了 Brain2Qwerty 的第二代模型。实验招募了 9 名健康志愿者，用脑磁图（MEG）在颅外采集脑磁信号，每位参与者累计记录 10 小时，总共输入了 22,000 个句子。实验流程是：志愿者听到句子后短暂停顿，然后在看不见屏幕文本的情况下打字。模型从敲击键盘时的脑信号中重建句子。与上一代不同，Brain2Qwerty v2 不再需要每个按键的精确时间戳来对齐信号，而是采用连续信号窗口自主分配字符，实现了异步处理。该模型采用三层 AI 结构——字符级、单词级和句子级，其中句子级使用 Qwen3 大语言模型微调，将带有噪声的脑信号转换成连贯文字。此外，研究使用了基于 Claude Opus 4.6 的自动 AI 代理编写优化代码，发现了标签平滑、模态丢弃和更短提示等有效技巧。
为什么重要
目前，帮助脑损伤后失语或失动患者沟通的可靠方案是脑植入，但植入手术风险高。Meta 正试图用非侵入式方法缩小差距。Brain2Qwerty v2 平均词错误率 39%，而上一代基于 N-gram 模型的方案为 43%，原始编码器则为 55%。最佳参与者的句子完全正确率达到 28%，47% 的句子最多只有一个词错误。作为对比，此前基于 fMRI 的研究词错误率高达 92-94%。但字符错误率方面，v2 却比原始编码器更差（31% vs 28%），原因是语言模型倾向于生成语法正确但脑信号未完全支持的句子，甚至会生成与目标完全偏离但通顺的句子。研究团队认为，在脑机接口场景中，语义正确性比字符精确匹配更重要。目前仍处于研究阶段，尚不具备实时使用能力。
对用户/开发者/创作者的影响
对于从事脑机接口和康复辅助技术的开发者和研究者，Brain2Qwerty v2 提供了开源参考：非侵入方案的可行性边界正在扩展。医疗和辅助设备领域的企业可关注该技术是否从实验室走向产品化。对普通用户而言，此技术距离日常应用仍有时日，需解决实时性、设备便携性和个体差异等挑战。对于内容创作和开发者工具领域，该工作展示了语言模型（如 Qwen3）在信号去噪和非传统输入方式中的潜力，可能启发更多跨模态融合应用。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. 目前系统依赖 MEG 设备，该设备体积大、成本高，Meta 是否能结合更便携的传感器（如 EEG 干电极）实现室外可用的原型。2. 语言模型带来的语义准确性与字符准确性之间的矛盾如何解决，是否有商业化的纠错机制。3. 研究团队使用了 AI 代理进行代码优化，但在开放任务时失败，这种“AI 辅助 AI 研究”的模式是否能形成工作流并扩大应用范围。
