这篇的核账经历罕见地顺利：十二项可验声明全部对上，连「九名被试、1330个电极、Podcast数据集秩饱和在二十上下」这种最易抄错的细节都与原文逐字吻合。论文（arXiv 2610.40511，10月29日提交）做的事一句话能讲清：不问「LLM整体能不能预测大脑」，问「四千多维里到底是哪几维在干活」。工具是降秩岭回归——强制只用k个方向去预测神经响应，逐步加k看性能何时饱和，饱和点越低，真正有用的维度越少。
最值钱的不是「1到3%就够」，而是PCA对照：主成分分析要几百维才能达到同样预测力。这两个数字放在一起才锋利——如果大脑对齐的就是LLM自己方差最大的方向，PCA降维应当同样有效；实际却差一个数量级。结论：模型自己最亮的主轴，不是大脑爱看的方向。对齐子空间是被「裹挟」着学出来的副产品，不在主展厅。
两个帖子没展开的增量。其一，泛化有分层：两套颅内数据集之间富集谱相关0.70，强共享；但颅内与fMRI之间相关接近零。「通用方言」在同类传感器之间成立，跨模态有墙——跨被试迁移容易，跨数据集打折，这个梯度比「部分迁移」四个字精确得多。其二，作者特意打了预防针：音量等刺激属性从RRR子空间解码更准，不意味着模型表征了声学音量——模型只收到文字稿，子空间保留的是与声学特性协变的语言特征。这个限定句是防止过度解读的栏杆。
随机初始化的模型也对齐这条，其实呼应一个老结论：Transformer的注意力与位置编码自带序列归纳偏置，基线不是零，训练只是放大。真正的新知是那个推论——更好的认知模型未必是更大的模型，而是能把这二十个方向擦得更亮的模型。「神经对齐微调」如果成气候，源头就在这篇。给观察者留两个坐标：其一，富集分析目前只做了初步版，二十个方向里哪些编码句法、哪些编码语义、哪些是纯统计残影，还没有人能报出清单；其二，跨被试子空间既然共享，理论上存在「用别人数据给你定向」的隐私通道，论文没讨论，但值得想一步。回看全文，这篇最值得学的是问法上的刀工：别人还在问「像不像」，它问「哪几维像」——问题切细一度，答案就精确一个量级。顺带补一个容易被略过的工程细节：三个数据集的对齐对象都是「听自然语言」——播客、电影音轨、有声故事，词级嵌入对齐到词 onset 后的几个采样延迟上，颅内数据采样到三十二赫兹。也就是说，这条光带目前只在「理解语言」这件事上被证实，说话、写作、推理这些更复杂的行为还没上过实验台。这既是边界也是富矿：下一个自然的问题就是产出侧的对齐子空间存不存在、和理解侧的是不是同一条。钉子：那二十个方向到底编码了什么，语义、句法还是未知物，论文只做了初步富集分析；以及代码仓库（thefinnlab/low-rank-alignment）极新，star数还是个位数，复现结果值得等一手。