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

Resumo Técnico: ChronoStyleNet 2.0 (CSN 2.0)

Definição do Problema
A documentação, datação e interpretação da estatuária budista chinesa enfrentam restrições significativas devido à escassez de especialistas treinados, à vasta escala de coleções não documentadas e às urgentes necessidades de conservação. A dependência tradicional de exame visual especializado e pesquisa textual é difícil de escalar. Embora métodos digitais (aprendizado profundo 2D, análise de nuvem de pontos 3D) e Modelos de Linguagem de Grande Escala Multimodais (MLLMs) de uso geral ofereçam novos caminhos, eles frequentemente carecem de terminologia arqueológica específica, contexto ou da capacidade de fornecer caminhos interpretáveis da evidência visual para a atribuição estilística e cronológica. Tentativas anteriores de adaptação de domínio (ex: ChronoStyleNet 1.0) enfrentaram limitações quanto à cobertura cronológica, aos riscos de ajuste fino (fine-tuning) de parâmetros e à "atribuição prematura", onde o conhecimento injetado sobrepunha-se à evidência visual ambígua.

Metodologia: ChronoStyleNet 2.0 (CSN 2.0)
O CSN 2.0 (nome chinês: Zhijian Zaoxiang) é um sistema de adaptação de domínio não paramétrico projetado para ampliar o escopo cronológico e geográfico da análise de estatuária budista sem a necessidade de novo ajuste fino de parâmetros do modelo subjacente.

• Arquitetura Central: O sistema utiliza o Gemini 2.5 Flash como a espinha dorsal de raciocínio multimodal. Ele opera através de um fluxo de inferência de quatro estágios: processamento de consulta, montagem de contexto, inferência do modelo e processamento de resposta.
• Estratégia de Adaptação Não Paramétrica: Em vez de realizar o ajuste fino, o CSN 2.0 injeta conhecimento de domínio no momento da inferência por meio de três componentes integrados:
  1. Prompt Estruturado: Um prompt de domínio de aproximadamente 4.000 palavras contendo um protocolo de análise de nove etapas, resumos de características dinásticas e um esquema de prioridade de evidências. Crucialmente, ele impõe uma regra de "evidência-visual-primeiro", exigindo que o modelo descreva características observáveis antes de realizar atribuições iconográficas ou cronológicas.
  2. Recuperação de Fusão de Tri-Estratégia (TSFR): Um módulo de geração aumentada por recuperação (RAG) que utiliza recuperação relacional baseada em texto, em vez de bancos de dados vetoriais. O TSFR combina:
     • Correspondência de texto completo direta (SQL LIKE) para termos padronizados.
     • Recuperação de palavras-chave tokenizadas para consultas fragmentadas.
     • Mapeamento de domínio curado para expandir buscas baseadas em termos gatilho.
  3. Ontologia de Domínio Informada pelo CIDOC CRM: Uma base de conhecimento organizada em 11 camadas (ex: Temporal, Espacial, Iconográfica, Material) mapeadas para classes e propriedades selecionadas do CIDOC CRM. Esta estrutura vincula características visíveis a materiais de referência e atribuições propostas, embora a implementação seja descrita como "informada" em vez de estritamente conforme, devido a simplificações (ex: omitindo a modelagem centrada em eventos).
• Datasets:
  • Base de Conhecimento: 3.642 entradas curadas abrangendo desde os Dezesseis Reinos até a Dinastia Qing, incluindo referências iconográficas, gazetteers locais e literatura arqueológica.
  • Dataset de Estátuas Estruturadas: 145 estátuas anotadas em nove categorias iconográficas (ex: Śākyamuni, Avalokiteśvara) de várias dinastias.
  • Conjunto de Avaliação: Um conjunto retido de 18 estátuas (duas por categoria iconográfica) cobrindo nove dinastias, utilizado para testar o sistema contra quatro modelos de uso geral.

Principais Contribuições

1. Criação de Dataset: Desenvolvimento de um dataset de estatuária budista anotado por especialistas, abrangendo múltiplas dinastias, e um conjunto de avaliação separado de 18 itens.
2. Fluxo de Trabalho Não Paramétrico: Implementação de um fluxo de trabalho de adaptação de domínio combinando prompting estruturado, TSFR e uma ontologia informada pelo CIDOC CRM, evitando os riscos do ajuste fino de parâmetros.
3. Mitigação em Nível de Prompt: Introdução de uma regra de "evidência-visual-primeiro" projetada para reduzir a atribuição prematura, forçando o modelo a vincular conclusões a características observáveis antes de finalizar datas ou identidades.

Resultados
O sistema foi avaliado em 18 esculturas retidas em oito dimensões arqueológicas (ex: extração de características estilísticas, precisão de datação, interpretação cultural, solidez do raciocínio) e comparado com GPT-5.1, Claude 4.5, Gemini 2.5 Pro e Grok 3.

• Pontos Fortes de Desempenho: O CSN 2.0 alcançou pontuações relativamente altas em extração de características estilísticas e consistência linguística em comparação com outros modelos não-GPT. Demonstrou desempenho misto em precisão de datação (média de 2.944), superando alguns modelos gerais, mas pontuando significativamente abaixo do GPT-5.1 (4.944). O desempenho no reconhecimento de tipo de estátua foi heterogêneo: o sistema obteve pontuações 4 ou 5 para itens de Avalokiteśvara, Samantabhadra e Mañjuśrī, mas recebeu pontuações de 1 ou 2 para itens de Maitreya e Mahāsthāmaprāpta, indicando alta variabilidade entre as categorias.
• Pontos Fracos de Desempenho: O sistema pontuou mais baixo em interpretação cultural e raciocínio de evidência-para-conclusão em comparação ao GPT-5.1 e, em algumas dimensões, ao Gemini 2.5 Pro.
• Análise de Erros: Embora o CSN 2.0 tenha fornecido descrições anatômicas detalhadas, ocasionalmente falhou em identificar a característica diagnóstica específica necessária para a atribuição correta (ex: interpretando erroneamente um vaso de tesouro como uma imagem de Buda). O alto desvio padrão nos escores refletiu a heterogeneidade entre os itens de teste, em vez de instabilidade entre as execuções.
• Contexto Comparativo: O GPT-5.1 recebeu as pontuações médias mais altas em todas as dimensões. O CSN 2.0 geralmente superou o Claude 4.5 e o Grok 3, mas apresentou resultados mistos contra o Gemini 2.5 Pro, dependendo da dimensão específica.

Significância e Alegações
O artigo posiciona o CSN 2.0 não como um substituto para o julgamento especializado, mas como um auxílio exploratório e rastreável para a análise especializada.

• Viabilidade da Adaptação Não Paramétrica: O estudo demonstra a viabilidade prática de fornecer a um backbone multimodal de uso geral informações de domínio curadas no momento da inferência. Esta abordagem permite que a fonte de conhecimento seja atualizada independentemente do modelo e torna a evidência recuperada inspecionável.
• Rastreabilidade: Ao utilizar prompts estruturados e uma ontologia de domínio, o sistema visa tornar o caminho de raciocínio da evidência visual para a atribuição mais transparente, abordando a natureza de "caixa preta" dos MLLMs de uso geral.
• Limitações e Escopo: Os autores declaram explicitamente que a avaliação é exploratória. Devido ao pequeno conjunto de testes (18 itens), saídas de execução única e à falta de estudos de ablação de componentes, os resultados não podem ser atribuídos a componentes específicos (ex: a ontologia versus o prompt) nem generalizados amplamente. O sistema destina-se à documentação preliminar, ensino e geração de hipóteses, com saídas que exigem verificação especializada. Os autores alertam contra o uso do sistema para decisões de conservação sem validação adicional.