BioCLIP، 300 مليون معامل، يتفوق على نماذج رؤية أكبر في تحديد الأنواع

تعمل مصيدة الكاميرا تحت قيد تتجاهله معظم تقييمات النماذج. فهي موجودة في الميدان على أجهزة طرفية باتصال محدود أو منعدم، لذا فإن نموذجاً لغوياً-بصرياً لا يمكن تشغيله محلياً ليس مرشحاً على الإطلاق. اتخذ مؤلفو ورقة نُشرت على arXiv في 10 سبتمبر ذلك القيد نقطة انطلاق، واختبروا الفئة ذات الصلة بالنشر بدلاً من الحدود القصوى: أربعة نماذج لغوية-بصرية بين 2 و8 مليارات معامل.

ضمت التشكيلة Qwen3-VL بأحجام 2 و4 و8 مليارات معامل، بالإضافة إلى Gemma3 4B، وجميعها قُيّمت مقابل BioCLIP، وهو متخصص في مجال محدد بـ300 مليون معامل. غطت المهمة 96 نوعاً، وحددها كل نموذج بأعلى بكثير من الصدفة على صور iNaturalist النظيفة. لكن صور الميدان من ست مجموعات لمصائد الكاميرا عاملتها بقسوة أكبر، بفجوات نطاق تراوحت من 9.6 إلى 26.6 نقطة مئوية.

ما قاسته التقييمات

أُجريت المقارنة على مجموعتَي تقييم بعينتين مستقلتين، وثبت التدهور عبر كلتيهما وعبر المستويات التصنيفية.

لماذا تجاوز المتخصص بـ300 مليون معامل النماذج العامة بـ8 مليارات

على عينة موسّعة من 200 صورة، تفوّق BioCLIP على كل نموذج لغوي-بصري مُختبر بفارق 33.2 إلى 59.2 نقطة مئوية. وكان أيضاً أصغر نموذج في القاعة، بـ300 مليون معامل مقابل 8 مليارات لأكبر نسخة من Qwen3-VL. ويعزو المؤلفون الفارق إلى بيانات تدريب متخصصة وليس إلى الحجم.

هذا التفسير يغيّر موقع العمل بالنسبة لأي شخص يبني مصنّفاً ميدانياً. يمكن سدّ فجوة الحجم بشراء عتاد أكبر أو انتظار النموذج العام التالي. أما فجوة البيانات فيجب سدّها بمجموعة بيانات مجال وجولة تدريب، وفاتورة الحوسبة لضبط دقيق بـ300 مليون معامل هي النصف الأرخص من ذلك المشروع.

ما يصل إلى 9.6% من إجابات المجموعة المفتوحة سمّت أنواعاً غير موجودة

دفع التوجيه بمجموعة مفتوحة النماذج إلى ما هو أبعد مما دُرّبت على الاختيار بينه. عادت بين 5.9 و9.6% من الإجابات كأسماء أنواع صحيحة نحوياً لكنها غير موجودة تصنيفياً: سلاسل بشكل ثنائي اسمي ليني تماماً، لا تشير إلى أي كائن موجود.

تتغيّر التقديرات النقطية. لكن الترتيب لم يتغيّر. تكرر معدل التلفيق النسبي لكل نموذج بدقة عبر كلتا المجموعتين المستقلتين، وتعتبر الورقة هذا الترتيب نتيجة أكثر رسوخاً من أي رقم منفرد فيها.

المتخصص يسقط أيضاً، بالمقدار نفسه تقريباً

بدا الانهيار من النظيف إلى الميداني مشكلة قد تخص النماذج عامة الغرض. لكنه ليس كذلك. كانت فجوة النطاق الخاصة بـBioCLIP 18.0 نقطة، وهي لا تختلف إحصائياً عن 22.3 نقطة التي حققها أفضل نموذج لغوي-بصري أداءً. ووفق تفسير الورقة، يتبع الانخفاض وضوح الصورة وليس أي فشل في التمييز بين الأنواع المتشابهة، ولهذا ظهر في كل مستوى تصنيفي وفي كل نموذج، متخصصاً كان أم لا.

ما ترثه مصيدة كاميرا بلا إشارة

تتوقف الورقة عند التصنيف. فهي لا تتابع المخرجات إلى قاعدة بيانات للتنوع الحيوي، ولا تقيس ما يفعله معدل تلفيق 9.6% بمسح بمجرد تدوين التسميات. إن أي مسار يسجل مخرجات النموذج دون إنسان في الحلقة يرث أي معدل خطأ يحمله النموذج، ووفق هذا الدليل يبلغ معدل الخطأ ذروته تماماً حيث يحدث النشر.

لكن العامل الحاسم يقع في مكان غير متوقع. الحجم ليس المتغير الذي فصل BioCLIP عن النماذج اللغوية-البصرية؛ بل بيانات التدريب. وبالنسبة للفرق التي تختار مصنّف أنواع لجهاز طرفي، فإن عدد المعاملات هو الرقم الأقل إثارة للاهتمام. السؤال الجدير بالطرح هو: على أي صور دُرّب النموذج؟ إن خسارة BioCLIP الميدانية البالغة 18.0 نقطة هي أهدأ نتيجة في الورقة، وربما الأكثر فائدة: المتخصص يحل مشكلة التعريف، لا مشكلة التصوير.