MTT-Bench: Predicting Social Dominance in Mice via Multimodal Large Language Models

Resumen Técnico: MTT-Bench: Predicción de la Dominancia Social en Ratones mediante Modelos de Lenguaje Multimodales Grandes (MLLMs)

1. El Problema

El estudio del comportamiento animal es fundamental para la neurociencia y la psiquiatría, ya que los ratones son modelos biológicos clave para entender las funciones cerebrales humanas. Uno de los retos principales es la cuantificación objetiva de la jerarquía social. El método estándar es el "Mouse Tube Test" (prueba de tubo estrecho), donde dos ratones se enfrentan en un tubo y el que logra desplazar al otro es considerado el dominante. Sin embargo, este análisis suele ser manual, lento y difícil de escalar. El problema que aborda este estudio es si los Modelos de Lenguaje Multimodales (MLLMs) de propósito general pueden interpretar videos de interacciones naturales y predecir la jerarquía de dominancia sin necesidad de entrenamiento específico para la tarea (zero-shot).

2. Metodología

Los autores proponen un nuevo marco de evaluación denominado MTT-Bench (Mouse-Tube-Test-Benchmark). La metodología se divide en tres componentes principales:

• Creación del Dataset (MouseRank): Se recolectaron videos de experimentos reales de confrontación en tubos. El dataset original se compuso de 11 grupos de experimentos (44 videos de entrenamiento y 14 de prueba). Para mejorar la robustez, aplicaron aumento de datos (flip, cambios de brillo/gris y rotación), expandiendo el conjunto de datos ocho veces.
• Métodos de Predicción:
  1. Zero-shot Learning (ZSL): Se utiliza la capacidad de razonamiento de los MLLMs. Se le presentan al modelo videos de entrenamiento para que "aprenda" las características de cada ratón. Luego, se le hacen tres preguntas estructuradas: primero, pedir una puntuación de "personalidad" (0 a 1) para el Ratón A; segundo, para el Ratón B; y tercero, solicitarle que sintetice ambos resultados para predecir quién ganaría en el test del tubo y por qué.
  2. K-means Clustering: Un método no supervisado donde se utilizan los embeddings (representaciones vectoriales) extraídos por el MLLM de videos de ratones conocidos como "dominantes" y "sumisos". Se calculan los centros de estos grupos y se mide la distancia euclidiana de los nuevos ratones a dichos centros para predecir su rango.
  3. Agente Humano: Se utilizó un grupo de 30 personas sin conocimiento previo para establecer una línea base de precisión humana.
• Modelos Evaluados: Se probaron arquitecturas de vanguardia como la serie InternVL (1B, 2B, 8B), BLIP-2, GPT-4o, GPT-4-turbo y Gemini-1.5-Pro.

3. Contribuciones Clave

• MTT-Bench: Un nuevo benchmark multimodal que vincula videos de interacción natural con etiquetas de dominancia validadas experimentalmente.
• Marco de Fine-tuning y Zero-shot: Un método para aplicar modelos fundacionales existentes al análisis etológico sin necesidad de diseñar modelos específicos para la especie.
• Evidencia Empírica: Demostración de que los MLLMs pueden capturar rasgos sociales latentes (como la dominancia) a partir de señales visuales complejas y no estructuradas.

4. Resultados Principales

Los resultados muestran una disparidad significativa entre los modelos:

• Liderazgo de InternVL: Los modelos de la serie InternVL superaron a los demás. El InternVL3-2B obtuvo el mejor rendimiento con una precisión del 76.14% mediante el método zero-shot.
• Comportamiento de los modelos grandes: Curiosamente, el modelo más grande (InternVL3-8B) fue menos preciso (72.27%) que el de tamaño medio, debido a que tiende a ser más "cauteloso" o "conservador", emitiendo respuestas de incertidumbre cuando las diferencias conductuales son sutiles.
• Bajo rendimiento de GPT: Los modelos GPT-4o y GPT-4-turbo mostraron resultados deficientes (alrededor del 21%), principalmente porque no pudieron procesar o analizar correctamente el contenido de video para asignar puntuaciones de personalidad.
• K-means vs. Zero-shot: El método de clustering K-means fue menos preciso (54.17%) que el zero-shot, pero demostró ser más eficiente para procesar un mayor número de fotogramas (hasta 256) debido a que trabaja con embeddings compactos.
• Comparación Humana: Los mejores modelos superaron la precisión de los agentes humanos (51.44%).

5. Significancia

Este trabajo marca un cambio de paradigma en la etología computacional. Sugiere que en lugar de desarrollar modelos de visión artificial altamente especializados y costosos para cada comportamiento animal, se pueden reutilizar modelos de lenguaje multimodales de propósito general. Esto abre la puerta a una inteligencia animal generalizada, donde la IA puede razonar sobre la cognición social y las jerarquías biológicas mediante el lenguaje natural, facilitando la investigación científica a gran escala.