arXiv cs.AI· Yicong Li, Junjie Wang, Leander Lauenburg, Ella Hugie, Alexandra Irger, Wanhua Li, Donglai Wei, Hanspeter Pfister·· 11 小时前AI 评分29
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
Benchmarking Vision-Language Models on Synapse and Neuron Proofreading in Connectomics
AI 导读
研究对视觉语言模型在连接组学电子显微镜图像校对任务上进行了基准测试：突触校对（存在性与极性）评估了19个开源和2个闭源模型，神经元校对（分裂错误与合并错误）评估了3个开源和2个闭源模型。多数模型零样本表现仅相当于随机水平，少量示例主要帮助闭源和最大的开源模型；在数千个标签上做LoRA微调后，开源模型达到专家模型水平，且在未见物种上识别合并错误时优于专家模型。
正文 · AI 翻译
摘要：我们对视觉语言模型（VLM）在连接组学中检查电子显微镜图像时标注者所做的决策进行了基准测试：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）。对于突触校对，我们在使用公开资源构建的数据集上，针对专家模型，评估了 19 个开源模型和 2 个闭源模型，涵盖多种架构和规模，在零样本、四样本上下文学习和 LoRA 设置下进行。对于神经元校对，我们在 ConnectomeBench2 数据集上评估了 3 个开源模型和 2 个闭源模型，并进行了从果蝇和小鼠到人类和斑马鱼的跨物种迁移。大多数模型在零样本下处于随机水平；少量示例主要帮助了闭源模型和最大的开源模型。在几千个标签上使用 LoRA 使开源模型达到了专家模型的水平。在未见过的物种上评估时，最佳适配的 VLM 在识别合并错误方面优于专家模型。该项目将在被接收后公开。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2609.36492 [cs.CV] |
| （或此版本的 arXiv:2609.36492v2 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2609.36492 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yicong Li [查看电子邮件]
[v1]
2026年9月29日星期二 01:48:42 UTC（561 KB）
[v2]
2026年10月23日星期五 05:15:15 UTC（561 KB）
来源：arXiv cs.AI · arxiv.org