DeepTaxon：用于统一物种识别与发现的可解释检索增强多模态框架

在生物学中，在成千上万个视觉上相似的分类学单位中识别物种，同时在开放世界环境中发现未知物种，仍是物种多样性研究中的根本性挑战。当前方法将识别与发现视为独立问题，分类模型假设闭合集合，而发现依赖基于阈值的拒绝机制。在本文中，我们提出 DeepTaxon，一种检索增强的多模态框架，通过对检索到的视觉证据进行可解释推理，统一了物种识别与发现。给定查询图像，DeepTaxon 检索出 top-k 个候选物种，每个候选物种包含 n 张示例图像，并进行链式思考比较推理。关键在于，我们将发现重新定义为显式的检索决策问题，而非隐式的参数化记忆问题。当检索索引缺乏足够证据进行识别时，样本即为 novel，每个检索自然产生分类或发现标签，无需人工标注，从而为两项任务提供自动监督。我们通过在合成检索增强数据上的监督微调， followed by hard samples 上的强化学习，将高召回率的检索转化为高精度决策，扩展至大型分类学词汇表。在大型分布内基准测试和六个分布外数据集上的大量实验表明，识别与发现均实现一致提升。消融研究进一步揭示了候选数量 k 和示例数量 n 上的有效测试时扩展，强大的零样本迁移到未见域，以及跨检索编码器的稳定性能，为物种多样性研究建立了可解释解决方案。