可在端侧部署的视觉语言模型能识别物种吗

野外自动相机通常在连接有限或没有连接的边缘硬件上运行，这使得小型、可本地部署的视觉语言模型（VLM）（而不是前沿规模的模型）成为评估物种识别的实际相关类别。我们测试了与部署相关的 2--8B 范围内的模型是否具有真正的分类学知识，在 96 种任务上针对特定领域的专家 BioCLIP（300M 参数）评估了四个此类 VLM（Qwen3-VL 2B/4B/8B、Gemma3 4B），在两个独立采样的评估集上将干净的 iNaturalist 照片与来自 6 个公开数据集合（链接见原文）的野外自动相机图像进行比较。所有模型识别物种的能力都远高于随机猜测，但每个模型（通用模型或专业模型）在野外图像上都会急剧退化（领域差距为 9.6--26.6 个百分点，在分类水平和两个评估集上保持一致），表明退化反映了一般图像的易读性，而不是细粒度的辨别失败。尽管 BioCLIP 的规模小得多，但它的性能远远优于每个测试的 VLM（每个模型在扩展的 200 个图像样本中高出 33.2--59.2 个百分点），这表明这种差距反映了专门的训练数据而不是模型规模；然而，BioCLIP 自己的域差距（18.0 个百分点）在统计上与最佳 VLM（22.3 个百分点）没有什么区别，这表明从干净到现场的退化本身是图像质量转变的一个特性，而不是通用模型的弱点。在开放集提示下，5.9--9.6% 的回答在语法上有效，但在分类学上不存在物种名称；模型之间的相对虚构率排名在两个评估集中都准确复制，这是比任何单点估计更可靠的发现。