神经科学研究在过去十年取得了巨大进展,但我们对大脑的理解仍然是零散的和片面的:探究任意一个脑区并自动读取其神经活动中编码的信息的梦想仍然遥不可及。在本研究中,我们建立了一个神经尖峰数据的第一个基础模型,可以解决多个脑区的多种任务。我们引入了一种新颖的自监督建模方法,用于人口活动,其中模型在不同的时间步长、神经元和脑区之间交替屏蔽和重建神经活动。为了评估我们的方法,我们使用国际脑科学实验室重复站点数据集设计了无监督和有监督的预测任务,该数据集由48只动物和实验会话中针对相同脑部位置的神经像素记录组成。预测任务包括单个神经元和区域级别的活动预测、正向预测和行为解码。我们证明了我们的多任务屏蔽(MtM)方法显著提高了当前最先进的人口模型的性能,并实现了多任务学习。我们还表明,通过训练多个动物,我们可以提高模型对未见动物的泛化能力,为单个细胞、单个尖峰分辨率的大脑基础模型铺平道路。