标准的功能磁共振成像（fMRI）行为表型预测方法是对功能连接（FC）矩阵使用核岭回归（KRR）。该方法需要为每个行为评分和每个数据集单独训练与调参，难以跨数据集迁移；当样本量只有几十甚至更少时，预测精度会急剧下降，这在临床和认知实验中非常常见。尽管近年来出现了大量脑基础模型的尝试，但它们在连续行为评分预测上并未系统超越 KRR，已有的提升多集中在年龄、性别或诊断等相对简单的目标上。
我们提出 BrainPFN（Prior‑Data Fitted Network），一种面向脑行为回归的元学习框架。首先在约 7 000 份真实 FC 矩阵上构建领域特定先验，并基于该先验生成十亿条合成训练样本进行元训练。推理阶段只需将带标签的上下文一次性输入网络，即可得到预测结果，无需为每个评分或每个队列重新拟合模型。
在四个独立的公开队列上实验表明，BrainPFN 在小样本预测上显著优于 KRR，并且超过了使用四到九倍更大规模数据预训练的最新脑基础模型。值得注意的是，我们的元训练池来源于公开仓库，仅占竞争模型所用大型数据集（如 UK Biobank）的极小比例，且全部数据均可自由获取。我们同步发布了数据池、代码以及模型检查点，证明公开、规模适中的数据也能匹配或超越大规模受限数据训练的模型。
点评：BrainPFN 通过大规模合成数据和一次性前向传播，实现了对行为评分的快速、稳健预测，展示了开放数据在脑科学模型构建中的巨大潜力。