视觉语言模型在连接组学突触与神经元校对中的基准测试

论文基准显示VLM零样本校对接近随机，LoRA微调后可追平专家模型。

资讯摘要

论文对视觉语言模型在连接组学电镜图像校对任务上进行基准测试，涵盖突触校对（存在性与极性）和神经元校对（分裂错误与合并错误）。突触任务评估19个开源和2个闭源模型，比较零样本、四样本上下文学习与LoRA设置，并与专家模型对比；神经元任务在ConnectomeBench2上评估3个开源和2个闭源模型，并测试从果蝇、小鼠到人类和斑马鱼的跨物种迁移。作者报告多数模型零样本仅达随机水平，少量示例主要帮助闭源和最大的开源模型，数千标签的LoRA使开源模型达到专家模型水平；在未见物种上，最佳适配VLM识别合并错误优于专家模型。项目将在论文录用后公开。

要点速读

1. 突触校对评估19个开源和2个闭源VLM，覆盖零样本、四样本上下文学习与LoRA设置，并与专家模型对比。
2. 神经元校对在ConnectomeBench2上评估3个开源和2个闭源模型，测试果蝇、小鼠到人类和斑马鱼的跨物种迁移。
3. 作者报告多数模型零样本仅达随机水平，LoRA微调后开源模型追平专家模型，跨物种合并错误识别优于专家模型。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。