في خطوة ثورية جديدة، قامت دراسة حديثة بتقييم نماذج الرؤية-اللغة (Vision-Language Models) في مجالات حيوية تتعلق بعلم الاتصال العصبي. تركز الدراسة على مهام مهمة مثل اكتشاف المشابك (synapse detection) وتصحيح الأخطاء (proofreading) عند فحص الصور المجهرية للإلكترون.

النتائج المبدئية تكشف أن الدراسة اختبرت 19 نموذجًا مفتوحًا و2 مغلقين، مستخدمين معمارية متنوعة وأحجام مختلفة تحت سيناريوهات التعلم بدون أمثلة (zero-shot) والتعلم بأربعة أمثلة (four-shot). تم استخدام مجموعة بيانات تم إعدادها من موارد عامة ليتم تقييم الأداء الحقيقي للنماذج ضد نماذج متخصصة.

أما في مجال التصحيح، فقد تم اختبار 3 نماذج مفتوحة و2 مغلقة على مجموعة بيانات ConnectomeBench2. برزت التحديات عند نقل النتائج بين الأنواع، لكن النتائج كانت مشجعة، حيث أظهرت النماذج المُعَدَلة الأداء الأفضل عند تحديد الأخطاء الناتجة عن الدمج.

ومع ذلك، لم تظهر معظم النماذج أداءً مرضياً في السيناريوهات الأولية، حيث كانت النماذج المفتوحة تحتاج إلى مزيد من التدريب والتوظيف لإظهار إمكاناتها الحقيقية. ومع استخدام أسلوب التعلم القائم على عدد قليل من الآراء، تمكنت النماذج المفتوحة من الوصول إلى نفس المستوى من الأداء مع النماذج المتخصصة.

الجدير بالذكر أن هذا المشروع سيكون متاحًا للجمهور بعد القبول، مما يفتح آفاقًا جديدة في الأبحاث المستقبلية.

ما هي توقعاتكم حول تأثير هذه النماذج على مستقبل الذكاء الاصطناعي وعلم الأعصاب؟ شاركونا آرائكم في التعليقات!