النموذج الجديد: هل تستطيع نماذج الرؤية-اللغة تحديد الأنواع في المجتمعات القاسية؟

في عالم الذكاء الاصطناعي وتطبيقات الرؤية الحاسوبية، تشير دراسة جديدة إلى عوالم مثيرة من الفهم حول كيفية استخدام نماذج الرؤية-اللغة (Vision-Language Models) القابلة للنشر في المناطق النائية لتحديد الأنواع الحيوانية. فالكاميرات التي تستخدم عادة في هذا السياق، تعمل غالبا على أجهزة ذات قدرة محدودة أو حتى دون اتصال بالإنترنت، مما يستلزم تقييم نماذج صغيرة الحجم 2–8B بدلاً من النماذج الكبيرة.

تمت التجربة على أربعة نماذج من هذا النوع: Qwen3-VL 2B/4B/8B، وGemma3 4B، بالإضافة إلى النموذج المتخصص BioCLIP (300M parameters)، وذلك بهدف اختبار قدرتها على تحديد 96 نوعًا مختلفًا. تم إجراء المقارنات باستخدام صور نظيفة من iNaturalist مقابل صور التقطت باستخدام كاميرات في 6 مجموعات من LILA.science.

على الرغم من أن جميع النماذج أظهرت قدرة على التعرف على الأنواع تتجاوز الصدفة، إلا أن جميعها لاحظت تدهورًا ملحوظًا عند استخدام صور من الميدان، حيث سجلت تراجعات تصل إلى 26.6 نقطة مئوية. هذا التدهور يعكس بوضوح اختلاف جودة الصور في الميدان مقارنةً بالصور النظيفة وليس فشلًا في التمييز الدقيق.

وعلى الرغم من أن BioCLIP قد أظهر أداءً متفوقًا عن جميع النماذج الأخرى، إلا أن الفوائد التي تقدمها النماذج الأكبر حجمًا قد لا تعكس بالضرورة فعالية البيانات المتخصصة المستخدمة في التدريب. كما أثبتت النتائج أن التدهور في الأداء كان متشابهًا بين النماذج، مما يشير إلى ضرورة إعادة التفكير في كيفية تطوير وتدريب هذه التقنيات لإطلاعها على ظروف البيئات الطبيعية.