高能中微子碰撞留下的信号，像一团彼此交叠的烟花：轨迹密、成分杂，人工标注又昂贵。研究者因此先让模型从大量无标签探测器数据中自学，再用少量标签完成具体分析。这种“基础模型”不是聊天机器人，而是可供多项物理任务复用的探测器数据底座。
这项工作在拟议中的 FASER calorimeter（FASERCAL）模拟事件上训练稀疏 Vision Transformer——只计算真正出现信号的位置，跳过大片空白。预训练时，模型会补全被遮住的探测信号，并学习体素之间的层级、伪信号和粒子关系；随后再适配中微子种类识别、动量估计和顶点重建等任务。
最值得注意的是数据效率：据作者报告，在中微子种类识别上，预训练模型只用约 10³ 个有标签事件，就追平了从头训练且使用十倍标签数据的模型。模型也在两类公开探测器基准上呈现跨域迁移，但魅夸克识别对事件生成器较敏感。作者因此谨慎称其为“foundation-style”：它展示了可复用底座的路线，还不是已经完成的通用探测器基础模型。