孟加拉淡水鱼零样本识别测评：BioCLIP2准确率最高，孟加拉语提示接近随机水平
一项对四种视觉-语言模型在 10,321 张孟加拉淡水鱼图像上的审计显示，BioCLIP2在英语命名下准确率达 72.36%，但孟加拉语提示的平衡准确率仅约 14%，接近随机。
AI解读：这项研究提醒我们，零样本视觉-语言模型（如CLIP）用于物种识别时，其准确率并不纯粹反映视觉知识，而是同时受生物学专门化、多语言对齐、命名方式和提示措辞的影响。研究者测试了四种模型在孟加拉淡水鱼识别上的表现：BioCLIP2在英语常用名和科学名任务上显著领先，分别达到 72.36% 和 68.91%，而通用CLIP仅 25.15% 和 14.40%。但关键发现是，当提示换成孟加拉语时，BioCLIP2的表现跌至接近随机（平衡准确率约 14%），说明其视觉-文本对齐主要偏向英语。这对在孟加拉等非英语地区使用这类工具做物种监测的开发者有直接影响：即便图像内容不变，仅凭语言切换就能让系统失效。他们若要服务本地语言用户，可能需要选用多语言对齐更好的模型（如Jina CLIP v2），或者为本地物种名提供英语或科学名词表作为回退。需要注意的是，这项研究基于论文摘要，并非完整评估，且样本仅涵盖七类淡水鱼，结论的外推范围有限。
一项预印本研究系统审计了四种零样本视觉-语言模型（CLIP、BioCLIP、BioCLIP2和一种多语言Jina CLIP v2对照）在孟加拉淡水鱼识别中的表现，发现模型得分深受命名语言、提示措辞和图像背景影响，而非仅取决于视觉物种知识。该研究使用来自两个孟加拉数据源（BFF-15和SylFishBD）的 10,321 张图像，覆盖七个淡水鱼类目。
测评结果：BioCLIP2领先，通用CLIP表现最弱
在英语常用名提示下，BioCLIP2在BFF-15上达到最高平衡准确率 72.36%；在SylFishBD上使用科学名提示时，其准确率为 68.91%。相比之下，通用CLIP的对应准确率仅为 25.15% 和 14.40%，差异明显。作者指出，BioCLIP和BioCLIP2等生物专门化模型在物种识别任务中显著优于通用模型。
孟加拉语提示接近随机水平，多语言模型部分恢复
当提示语言切换为孟加拉语时，BioCLIP2的平衡准确率跌至接近随机水平，两个数据源上分别为 14.22% 和 14.29%。多语言Jina CLIP v2模型部分恢复了孟加拉语的判别能力，在SylFishBD和BFF-15上分别达到 21.89% 和 16.36%，但仅使用裸孟加拉语名称时（无额外上下文），其准确率在两个数据源上均回落到 14.29%。
在SylFishBD上进行的成对干预实验显示，弱模糊对性能无显著影响，较强模糊或灰度掩膜会造成适度损失，白色掩膜则会产生更大的伪影，且不同物种间的结果差异较大。
- 研究结论：零样本生物视觉-语言模型的得分同时反映生物学专门化、多语言对齐、命名系统、提示措辞和图像上下文，而非单纯的视觉物种知识。
发布信息与限制
该论文题为《IchthyoNoma: Nomenclature and Context Sensitivity of Zero-Shot Biological Vision-Language Models for Bangladeshi Freshwater Fish Recognition》，由Nazim-E-Alam、Tarek Rahman和Md Kishor Morol撰写，于 2026 年 9 月 3 日提交至arXiv（编号：2609.03985），分类为计算机视觉与模式识别（cs.CV）及计算与语言（cs.CL）。论文为预印本，尚未经同行评审。
上述描述基于论文摘要和摘要信息，未参考完整论文内容。数据仅覆盖七类淡水鱼，测评结果可能因物种或图像来源不同而异。