Gehirn-Computer-Schnittstellen (Brain-Computer Interfaces, BCIs) ermöglichen eine direkte Kommunikation zwischen dem Gehirn und externen Geräten. Neuere EEG-Grundmodellansätze zielen darauf ab, verallgemeinerbare Darstellungen über verschiedene BCI-Paradigmen hinweg zu lernen. Allerdings ignorieren diese Ansätze grundlegende, paradigmenbezogene neurophysiologische Unterschiede, was ihre Verallgemeinerungsfähigkeit einschränkt. Insbesondere wird bei praktischen BCI-Anwendungen das jeweilige Paradigma – beispielsweise motorische Imagery (MI) zur Schlaganfallrehabilitation oder assistiven Robotik – in der Regel vor der Datenerhebung festgelegt. In dieser Arbeit stellen wir MIRepNet vor, das erste EEG-Grundmodell, das speziell für das MI-Paradigma konzipiert ist. MIRepNet besteht aus einem hochwertigen EEG-Vorverarbeitungspipeline, die eine neurophysiologisch fundierte Kanalvorlage nutzt und sich an EEG-Headsets mit beliebigen Elektrodenkonfigurationen anpassen lässt. Darüber hinaus führen wir eine hybride Vortrainingsstrategie ein, die die selbstüberwachte Rekonstruktion maskierter Token mit der überwachten MI-Klassifikation kombiniert. Diese Strategie ermöglicht eine schnelle Anpassung und präzise Decodierung bei neuen, nachgelagerten MI-Aufgaben mit weniger als 30 Versuchen pro Klasse. Ausführliche Evaluierungen an fünf öffentlichen MI-Datensätzen zeigten, dass MIRepNet konsistent Leistungen auf dem Stand der Technik erzielt und sowohl spezialisierte als auch allgemeine EEG-Modelle signifikant übertrifft. Der Quellcode wird auf GitHub\footnote{https://github.com/...} verfügbar sein.