Nonparametric domain adaptation for multimodal connoisseurship of Buddhist statuary across dynasties (ChronoStyleNet2.0)

Resumen Técnico: ChronoStyleNet 2.0 (CSN 2.0)

Planteamiento del Problema
La documentación, datación e interpretación de la estatuaria budista china enfrenta restricciones significativas debido a la escasez de especialistas capacitados, la vasta escala de colecciones no documentadas y las urgentes necesidades de conservación. La dependencia tradicional de la examinación visual de especialistas y la investigación textual es difícil de escalar. Si bien los métodos digitales (aprendizaje profundo 2D, análisis de nubes de puntos 3D) y los Modelos de Lenguaje Multimodales de propósito general (MLLM) ofrecen nuevas vías, a menudo carecen de terminología arqueológica específica, contexto o la capacidad de proporcionar rutas interpretables desde la evidencia visual hacia la atribución estilística y cronológica. Los intentos previos de adaptación de dominio (por ejemplo, ChronoStyleNet 1.0) enfrentaron limitaciones respecto a la cobertura cronológica, los riesgos del ajuste fino de parámetros (fine-tuning) y la "atribución prematura", donde el conocimiento inyectado invalidaba la evidencia visual ambigua.

Metodología: ChronoStyleNet 2.0 (CSN 2.0)
CSN 2.0 (nombre chino: Zhijian Zaoxiang) es un sistema de adaptación de dominio no paramétrico diseñado para ampliar el alcance cronológico y geográfico del análisis de la estatuaria budista sin necesidad de un mayor ajuste fino de los parámetros del modelo subyacente.

• Arquitectura Central: El sistema utiliza Gemini 2.5 Flash como núcleo de razonamiento multimodal. Opera mediante un flujo de inferencia de cuatro etapas: análisis de la consulta, ensamblaje de contexto, inferencia del modelo y análisis de la respuesta.
• Estrategia de Adaptación No Paramétrica: En lugar de realizar un ajuste fino, CSN 2.0 inyecta conocimiento de dominio en el momento de la inferencia a través de tres componentes integrados:
  1. Prompt Estructurado: Un prompt de dominio de aproximadamente 4,000 palabras que contiene un protocolo de análisis de nueve pasos, resúmenes de rasgos dinásticos y un esquema de prioridad de evidencia. Crucialmente, impone una regla de "evidencia visual primero", que exige al modelo describir las características observables antes de realizar atribuciones iconográficas o cronológicas.
  2. Fusión de Recuperación de Estrategia Tripartita (TSFR): Un módulo de generación aumentada por recuperación (RAG) que utiliza la recuperación relacional basada en texto en lugar de bases de datos vectoriales. El TSFR combina:
     • Coincidencia de texto completo directo (SQL LIKE) para términos estandarizados.
     • Recuperación de palabras clave tokenizadas para consultas fragmentadas.
     • Mapeo de dominio curado para expandir las búsquedas basadas en términos disparadores.
  3. Ontología de Dominio Informada por CIDOC CRM: Una base de conocimientos organizada en 11 capas (ej. Temporal, Espacial, Iconográfica, Material) mapeada a clases y propiedades seleccionadas de CIDOC CRM. Esta estructura vincula las características visibles con materiales de referencia y atribuciones propuestas, aunque la implementación se describe como "informada" en lugar de estrictamente conforme debido a simplificaciones (ej. la omisión del modelado centrado en eventos).
• Conjuntos de Datos:
  • Base de Conocimientos: 3,642 entradas curadas que abarcan desde los Dieciséis Reinos hasta la Dinastía Qing, incluyendo referencias iconográficas, gazettes locales y literatura arqueológica.
  • Conjunto de Estatuaria Estructurada: 145 estatuas anotadas en nueve categorías iconográficas (ej. Śākyamuni, Avalokiteśvara) de diversas dinastías.
  • Conjunto de Evaluación: Un conjunto reservado de 18 estatuas (dos por categoría iconográfica) que cubren nueve dinastías, utilizado para probar el sistema contra cuatro modelos de propósito general.

Contribuciones Clave

1. Creación de Conjunto de Datos: Desarrollo de un conjunto de datos de estatuaria budista anotado por expertos de múltiples dinastías y un conjunto de evaluación separado de 18 elementos.
2. Flujo de Trabajo No Paramétrico: Implementación de un flujo de trabajo de adaptación de dominio que combina prompts estructurados, TSFR y una ontología informada por CIDOC CRM, evitando los riesgos del ajuste fino de parámetros.
3. Mitigación a Nivel de Prompt: Introducción de una regla de "evidencia visual primero" diseñada para reducir la atribución prematura, obligando al modelo a vincular las conclusiones con las características observables antes de finalizar fechas o identidades.

Resultados
El sistema fue evaluado en 1á esculturas reservadas a través de ocho dimensiones arqueológicas (ej. extracción de rasgos estilísticos, precisión de datación, interpretación cultural, solidez del razonamiento) y comparado con GPT-5.1, Claude 4.5, Gemini 2.5 Pro y Grok 3.

• Fortalezas de Desempeño: CSN 2.0 logró puntuaciones relativamente altas en extracción de rasgos estilísticos y consistencia lingüística en comparación con otros modelos no-GPT. Mostró un desempeño mixto en precisión de datación (media de 2.944), superando a algunos modelos generales pero puntuando significativamente más bajo que GPT-5.1 (4.944). El desempeño en el reconocimiento del tipo de estatua fue heterogéneo: el sistema obtuvo puntuaciones de 4 o 5 en elementos de Avalokiteśvara, Samantabhadra y Mañjuśrī, pero recibió puntuaciones de 1 o 2 para elementos de Maitreya y Mahāsthāmaprāpta, lo que indica una variabilidad sustancial entre categorías.
• Debilidades de Desempeño: El sistema obtuvo puntuaciones más bajas en interpretación cultural y razonamiento de evidencia-a-conclusión en comparación con GPT-5.1 y, en algunas dimensiones, con Gemini 2.5 Pro.
• Análisis de Errores: Aunque CSN 2.0 proporcionó descripciones anatómicas detalladas, ocasionalmente falló en identificar el rasgo diagnóstico específico requerido para la atribución correcta (ej. malinterpretar un jarrón de tesoros como una imagen de Buda). Las altas desviaciones estándar en las puntuaciones reflejaron la heterogeneidad entre los elementos de prueba más que una inestabilidad entre ejecuciones.
• Contexto Comparativo: GPT-5.1 recibió las puntuaciones medias más altas en todas las dimensiones. CSN 2.0 generalmente superó a Claude 4.5 y Grok 3, pero mostró resultados mixtos frente a Gemini 2.5 Pro dependiendo de la dimensión específica.

Significancia y Reivindicaciones
El artículo posiciona a CSN 2.0 no como un reemplazo del juicio experto, sino como una ayuda exploratoria y trazable para el análisis especializado.

• Viabilidad de la Adaptación No Paramétrica: El estudio demuestra la viabilidad práctica de suministrar un núcleo multimodal de propósito general con información de dominio curada en el momento de la inferencia. Este enfoque permite que la fuente de conocimiento se actualice independientemente del modelo y hace que la evidencia recuperada sea inspeccionable.
• Trazabilidad: Al utilizar prompts estructurados y una ontología de dominio, el sistema busca hacer más transparente la ruta de razonamiento desde la evidencia visual hasta la atribución, abordando la naturaleza de "caja negra" de los MLLM generales.
• Limitaciones y Alcance: Los autores declaran explícitamente que la evaluación es exploratoria. Debido al pequeño conjunto de prueba (18 elementos), las salidas de ejecución única y la falta de estudios de ablación de componentes, los resultados no pueden atribuirse a componentes específicos (ej. la ontología frente al prompt) ni generalizarse ampliamente. El sistema está destinado a la documentación preliminar, la enseñanza y la generación de hipótesis; sus salidas requieren verificación especializada. Los autores advierten contra el uso del sistema para decisiones de conservación sin una validación adicional.