一只蓝黑色的猎蝽停在斑驳的地面上，腹部边缘分布着红色和浅色斑块。这张随中国研究团队的分类软件一同发布的照片，提醒人们留意鉴定系统实际接收的内容：动物、拍摄角度和背景，总是一起进入画面。[2]

中国农业大学牵头的一项研究于 2026 年 2 月 11 日发表，考察模型遇到陌生物种时会怎样作答。研究给出的答案改变了评分规则：正确判断所属的属，也能成为有用的结果。[1]

熟悉与否，改变评分结果

研究结合了标准标本照片、转台拍摄图像和生态照片。在模型比较中，各网络以 ImageNet 预训练参数初始化，使用裁剪后的图像，训练 100 个轮次，硬件为 NVIDIA A100 GPU，软件采用 PyTorch 1.13.1。已知物种测试集包含 27 个物种的 729 张图像；未见物种测试集包含 28 个物种的 721 张图像，这些物种均来自模型已知的属。[1]

论文表 2 在较大数据量下比较了不同架构，模型排名出现了这样的逆转：[1]

这些数值衡量的是模型首选答案在作者整理的测试集上的准确率，其适用范围限于这些测试，不能据此估计任意野外照片的识别表现。数值来自架构比较实验。另有一组实验将训练集维持在约 1,600 张图像，改变不同拍摄视角图像的配比，两组实验应分开理解。[1]

放到实际使用中，如果只按熟悉物种的识别成绩排名，优先选中的模型就会改变。选择分类器时，需要先明确它将承担什么工作，以及哪些错误对这项工作影响更大。

答案宽一些，也有用处

这一思路在计算机视觉领域已有较长的研究历史。Kibok Lee 及其同事在 CVPR 2018 论文中提出，将陌生类别放到分类层级中与其最接近的已知父类别之下。他们希望给出的信息比单纯判定对象“未知”更丰富。在已知分类层级中找到位置，与确定它的精确类别，是两项不同的任务。[3]

可以想象一套标本柜：抽屉按属标记，抽屉里的格子对应各个种。一名助手遇到一只昆虫，柜中还没有为它所属的种设置格子。指出合适的抽屉，仍能为分类学家节省时间。凭空编出一个格子标签，则会添上另一项工作：先有人识破这份虚假的确定性，再纠正错误。

这个比喻说明了属级归类的价值，也把它与发现新物种的主张区分开来。“未见”描述的是样本与训练集之间的关系，单凭这一点，还不能认定该生物属于科学上尚未发现的物种。有用的评估需要分清这两层含义。

软件仍需设定何时停止细分的规则

公开仓库让一个影响实际使用的细节有据可查。在修订版本 cf2d9bf 中，inference.py 的常规预测流程会分别在亚科、属和种三个层级选出概率最高的标签，也能返回置信度和其他候选标签。当动物属于模型陌生的物种时，这段流程仍会给出种级答案，代码中没有用置信度阈值拦下这一输出；其中的 unknown 回退值用于处理程序错误。[2]

评估成绩与用户看到的鉴定结果之间，由此出现了一段距离。模型在测试中正确判断了属，就能在这一层级得分，软件却仍会在旁边打印一个种名。即使较宽泛的答案有用，读者仍缺少依据来判断旁边哪个更具体的答案应当舍弃。

因此，野外使用的工具还需要一套经过检验的规则，决定鉴定应当细化到哪一级。一种可供尝试的做法，是将难以确定的案例连同照片和按排名排列的候选结果一起交给人工审核。这属于工作流程的建议，现有成绩尚未证实系统具备这项能力。检验这套流程，需要同时测量它减少了多少错误，又增加了多少审核工作。

仓库还提供了示例照片和一个用于演示的 DenseNet 检查点。[2] 运行这个示例可以检查软件流程是否跑通，复现上文的 ConvNeXt-B 结果则需要相应的实验。演示能否运行与实验能否复现，回答的是不同问题。

让名称始终附有证据

iNaturalist 的鉴定指南为这一步人工接手提供了有用的标准。指南要求贡献者依据证据所能支持的分类层级来鉴定生物。其中的例子说明，当证据无法区分两个候选物种时，可以将鉴定停留在属一级。指南还要求人们能够解释鉴定依据，并提醒他们避免仅凭 AI 建议作出鉴定。[4]

应用到这里，就应保留原始图像、模型建议，以及最终接受某个分类层级的理由。审核者由此能看清，鉴定停留在较宽泛的层级，究竟是因为照片证据有限、物种对模型陌生，还是仍有分歧待解。这几种情况最终显示的属名可以相同，后续需要处理的工作却各有不同。

下一次有说服力的演示，应当让独立采集的昆虫完整走过这套流程，并衡量最终正确传递到专家手中的信息。最有价值的输出，也可以是一次有充分依据的抽屉归类，而种对应的格子则有意留空。

来源

1. Xinkai Wang 及其同事，《Multi-angle, cross-domain fusion strategy enhances automated insect identification and hierarchical categorization: a case study on assassin bugs (Hemiptera: Reduviidae)》，Cladistics，发表于 2026 年 2 月 11 日——研究方法、测试样本组成与表 2。
2. 研究作者，assassinbugclassification，修订版本 cf2d9bf8401e50fbcce4638ee5636240cf1f93db——README、inference.py 与示例照片 example/Ectrychotes andreae002.jpg；查阅于 2026 年 11 月 5 日。
3. Kibok Lee 及其同事，《Hierarchical Novelty Detection for Visual Object Recognition》，CVPR 2018，第 1034–1042 页——将陌生类别置于已知的分类层级之中。
4. iNaturalist，《What is an Identification?》——关于证据、鉴定的分类层级及 AI 建议作用的指南；访问于 2026 年 11 月 5 日。