边缘视觉语言模型能否识别野外物种？

红外相机通常在野外网络受限或无网络的边缘硬件上运行，这使得体量较小、可本地部署的视觉语言模型（VLM）——而非前沿规模的超大模型——成为物种识别评估中真正具备实用价值的类别。我们测试了处于这一适于实际部署的 2–8B 参数范围内的模型是否具备真正的分类学知识，在一项涵盖 96 个物种的任务中，基于两个独立采样的评估集，对比了清晰的 iNaturalist 照片与来自 6 个 LILA.science 集合的红外相机图像，对四款此类 VLM（Qwen3-VL 2B/4B/8B、Gemma3 4B）与领域专用专家模型 BioCLIP（3 亿参数）进行了评估。所有模型的物种识别能力均远超随机几率，但每款模型——无论是通用模型还是专用模型——在野外图像上的表现均急剧下降（领域差距达 9.6–26.6 个百分点，且在各分类层级和两个评估集中表现一致），表明这种性能衰退反映的是整体图像可辨识度的问题，而非细粒度判别能力的失效。尽管 BioCLIP 的体量小得多，但其表现大幅超越了所测试的所有 VLM（在每个模型扩展的 200 张图像样本上高出 33.2–59.2 个百分点），这表明差距源于专用训练数据而非模型规模；然而，BioCLIP 自身的领域差距（18.0 个百分点）与最佳 VLM 的领域差距（22.3 个百分点）在统计学上无显著差异，表明从清晰到野外图像的性能衰退本身是图像质量变化固有的特征，而非通用模型的特定缺陷。在开放集合提示下，有 5.9–9.6% 的回答生成了在句法上合规但在分类学上并不存在的物种名称；各模型在虚构率上的相对排序在两个评估集中完全一致，这一发现比任何单一的点估计结果都更具稳健性。