論文の概要: How Finely Can Vision-Language Models See Biology? Bio-VQA: A Benchmark for Taxonomic, Morphological, Spatial and Individual Reasoning

• arxiv url: http://arxiv.org/abs/2611.05559v1
• Date: Tue, 03 Nov 2026 19:51:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.832032
• Title: How Finely Can Vision-Language Models See Biology? Bio-VQA: A Benchmark for Taxonomic, Morphological, Spatial and Individual Reasoning
• Title（参考訳）: バイオVQA:分類学的、形態学的、空間的、個人的推論のためのベンチマーク
• Abstract要約: 生体視覚質問応答 (VQA) のベンチマークとして, バイオVQA(Biio-VQA) を提案する。 生物学的視覚的理解の4つの側面は、階層的な分類学的推論、きめ細かい属性基底、量的空間的推論、個人の再同定である。 我々は3.75Bから38.4Bパラメータの18個のオープンウェイトモデルを評価し、一般的な視覚能力が生物学的生物に伝達されないことを発見した。
• 参考スコア（独自算出の注目度）: 10.759353494852116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In biodiversity monitoring, a single image raises several questions: which taxon, how many, which trait, and whether the individual has been seen before. Vision-language models (VLMs) could answer all of these from the image, but their ability is largely untested in biology, as existing benchmarks focus mostly on species identification within a few taxonomic groups. We present Bio-VQA, the largest biological visual question answering (VQA) benchmark and the only one to span four aspects of biological visual understanding: hierarchical taxonomic reasoning, fine-grained attribute grounding, quantitative spatial reasoning, and individual re-identification. Bio-VQA contains 1.86M questions over 217K images from 11 public datasets, and extends right-or-wrong scoring to graded scoring, so a near-miss counts for more than a distant one. Evaluating 18 open-weight models from 3.75B to 38.4B parameters, we find that general visual capabilities do not transfer to biological organisms: the best model counts animals exactly on 41.7% of images with 2 to 10 individuals, less than half its accuracy on everyday objects at the same counts. Taxonomic accuracy falls to one sixth, from 0.72 at phylum to 0.12 at scientific name, and scaling helps mostly at coarse ranks. The gap to a domain specialist widens accordingly, from 0.731 against BioCLIP-2's 0.874 at class (1.2x) to 0.269 against 0.544 at scientific name (2x). On trait size measurement, 15 of the 18 models do no better than an image-blind baseline that predicts one fixed number for every specimen, and on re-identification, 17 of the 18 models fall below chance under adversarial conditions. These failures persist across a tenfold range of model size. We hope Bio-VQA becomes a standard test of how well VLM capabilities transfer to the biological domain.
• Abstract（参考訳）: 生物多様性のモニタリングでは、1枚の画像は、どの分類群、何種類、どの形質、そしてその個体が以前に見られたかという、いくつかの疑問を提起する。 視覚言語モデル(VLM)は、この画像からこれらすべてに答えることができるが、その能力は生物学では証明されていない。 バイオVQA(Bio-VQA)は,生物の視覚的理解の4つの側面,階層的分類学的推論(hierarchical taxonomic reasoning),微粒化属性基底(fine-fine attribute grounding),量的空間的推論(metical space reasoning),個人的再同定の4つの側面にまたがるベンチマークである。 バイオVQAには、11の公開データセットから217Kの画像に1.86万の質問が含まれており、右か右のスコアからグレードのスコアまで拡張している。 18個のオープンウェイトモデル(3.75Bから38.4Bパラメータ)を評価したところ、一般的な視覚能力は生物学的生物に伝達されないことが判明した。 分類学の精度は6分の1まで低下し、学名では0.72から0.12に低下する。 ドメインスペシャリストとのギャップは、BioCLIP-2 の 0.874 クラス (1.2x) に対して 0.731 から、科学的名称 (2x) で 0.544 クラス 0.269 まで拡大した。 特徴量測定では、18モデルのうち15モデルが、各標本に対して1つの固定数を予測する画像盲点ベースラインに匹敵せず、また再同定では18モデルのうち17モデルが敵の条件下で確率以下に落ちる。 これらの障害は10倍のモデルサイズにわたって持続する。 バイオVQAが生体ドメインへのVLM機能移行の標準テストになることを願っている。

関連論文リスト

• Can Edge-Deployable Vision-Language Models Identify Species? [18.320559966271237]
  カメラトラップはしばしばエッジハードウェア上で、接続性に制限または全くないフィールドで実行され、小型でローカルにデプロイ可能な視覚言語モデル(VLM)が、種識別を評価するための実用的なクラスとなっている。 この展開関連2--8B範囲のモデルが真に分類学的な知識を持っているかどうかを検証した。
  論文  参考訳（メタデータ） (2026-09-10T17:57:32Z)
• What Does Animal Re-Identification Learn? Linear Biological Concepts and Their Origins in Visual Representations [52.11506532642883]
  性別と年齢は、抱きしめられた個人に一般化する線形方向として現れることを示す。 また、性的指向はモデルによって因果的に利用されており、かなりの数の予測を反対の性に反転させることも示している。
  論文  参考訳（メタデータ） (2026-09-05T10:46:27Z)
• ViroBench: Benchmarking Nucleotide Foundation Models on Viral Genomics Tasks [86.89727311669937]
  我々は、ヌクレオチド基礎モデル(NFM)に特化して設計された最初の包括的かつ大規模ベンチマークであるViroBenchを紹介する。 ViroBench氏は、生物学的理解と潜伏するバイオセキュリティリスクという、2つの重要な側面にわたるモデルを評価し、4つのタスクタイプ内の18のさまざまなシナリオをカバーしている。 ViroBenchは、ウイルスヌクレオチド基盤モデルの研究のための解釈可能、診断的評価および再現可能な測定フレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-25T03:31:46Z)
• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• BeetleVerse: A Study on Taxonomic Classification of Ground Beetles [0.310688583550805]
  地上の甲虫は、非常に敏感で特異な生物学的指標であり、生物多様性のモニタリングに不可欠である。 本稿では,4つの多種多様な長い尾を持つデータセットの分類分類に関する12の視覚モデルを評価する。 その結果,視覚と言語変換器を頭部と組み合わせたモデルが最も優れており,97%の精度で種・種レベルでの精度が得られた。
  論文  参考訳（メタデータ） (2025-04-18T01:06:37Z)
• BioTrove: A Large Curated Image Dataset Enabling AI for Biodiversity [14.949271003068107]
  BioTroveは、生物多様性においてAIアプリケーションを前進させるために設計された最大のデータセットである。 161.9万枚の画像があり、前例のないスケールと3つの主要王国の多様性を提供している。 それぞれの画像には、科学的名前、分類学的階層、一般的な名前が注釈付けされている。
  論文  参考訳（メタデータ） (2024-06-25T17:09:54Z)
• BioCLIP: A Vision Foundation Model for the Tree of Life [34.187429586642146]
  TreeOfLife-10Mは,生物画像のML対応データセットとして最大かつ多種多様である。 次に,生命樹の基礎モデルであるBioCLIPを開発した。 様々な微細な生物分類タスクに厳格にアプローチをベンチマークする。
  論文  参考訳（メタデータ） (2023-11-30T18:49:43Z)
• Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
  低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。 本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。 私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
  論文  参考訳（メタデータ） (2021-02-11T09:04:45Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。