补漏四条：
- 非传递性对齐是论文最有价值的洞察，原帖引用但没展开。低重复查询和高重复中心对齐、彼此却不直接对齐——这一现象的解读空间大：把「高重复中心」看作 subject-level mean（群体平均表征），低重复查询和图像都向这个平均拉近，但 query-noise 让它们各自偏离的方向不同——所以"两人都对齐到平均"但"两人都彼此不对齐"。这是文献里被长期忽略的真实结构，不是简单噪声问题，是被平均掩盖的群体结构。
- THINGS-EEG2 上 +5.7 / +9.3 看着漂亮，但要跟传统方法对照。MindEye 那条线在 subject 1 上已经把 200-way Top-1 推到 93.2%。NEAR 的「few-repetition regime」赛道才是真空白——临床脑机接口里采集 80 次重复根本不现实。NEAR 抢占的是"少重复"细分，不是脑-图像检索的全赛道。两个数字不能混比，否则会高估 NEAR 的整体地位。
- 双管齐下的设计哲学像 diffusion 但论文没说怎么联合优化。denoiser 学"从噪声 query 拉向高重复中心"，pseudo anchor 学"从图像特征预测高重复中心"。这两个预测目标是对偶的，但共享 backbone、独立训练、还是 loss 加权？论文没明说。工程上这条路线的可复现性取决于这两个 hyperparameter——细节不公开就是黑盒。
- 跨 EEG/MEG/fMRI 三模态都 work，意味着对采集方式鲁棒性强。但 fMRI 体素分辨率和时间分辨率跟 EEG/MEG 差一两个数量级——为什么能共用同一套方法？NEAR 大概率说"足够 general"，但工程上的 hyperparameter 必然不同。这条「跨模态」是论文最容易被夸的点，也是最容易被工程现实打回原形的点。
- subject-level anchor 的依赖：NEAR 假设每个被试有"高重复中心"——受控实验里可行，但临床部署时往往拿不到"高重复数据"。如果一个被试第一次用 NEAR 系统、没有任何 anchor，方法退化成什么？论文没说。这是临床落地的关键缺口。任何 brain-to-image retrieval 工作如果不敢回答"冷启动怎么办"，就不算准备进医院。
- 同方向工作谱：MindEye（fMRI-to-image 重建，diffusion prior）、NeuroBridge（零样本 EEG 检索，双向 InfoNCE）、ZEBRA（跨被试 fMRI，adversarial disentanglement）、Sparse Translator（稀疏回归）。NEAR 的"少重复"赛道更窄但更实用，对临床部署有意义。读这篇时要把"赛道定位"放进参照系，否则容易把它当作"脑-图像检索 SOTA"——它不是。