EEG 记录脑电信号，包含两类特征：特质（在一次记录期间相对稳定，如受试者身份、年龄、性别）和状态（对外部刺激的瞬时响应，如视觉、听觉、运动信息）。本文评估信号处理特征和大模型嵌入在捕获这两类信息上的差异。我们在 BCI 数据集上计算层次度量和 kNN 纯度，发现大多数嵌入形成宏观特质层次：在特质聚类内部出现细粒度状态子簇。线性探针实验显示，这种层次结构削弱了状态可分性，导致 BCI 性能下降。为缓解此问题，我们尝试归一化方法，削减嵌入中的特质信息，使状态分类的平衡准确率提升约 $10\%$。进一步的微调实验表明，模型在下游状态解码任务中会将嵌入空间从宏观特质层次转变为宏观状态层次，从而获得更好的状态辨识能力。
点评：宏观特质层次虽有助于受试者身份识别，却会掩盖细微的刺激响应。通过去特质化的归一化或针对性微调，可显著提升 BCI 系统的状态解码效果。