知识卡片：CellTrack-Bench：面向视觉语言模型的显微细胞追踪基准

一句话结论

CellTrack-Bench 是一个用于评估视觉语言模型（VLM）在显微细胞追踪任务上表现的新基准，覆盖 15 个标准数据集、4 种成像模态，包含 1,537 个问题与 9,041 个细胞关联决策，并将 VLM 与专用追踪算法进行对比。

事件概述或研究问题

大语言模型在编码、数学、写作等文本优先任务上表现突出，研究界正将训练扩展到蛋白质结构、生物图像等高度专业化的非文本科学领域。但在这些场景中，通用模型的准确率与专用算法相比仍存疑。细胞追踪要求对细胞动态具备时空感知能力，是检验这一问题的代表性领域。作者据此构建 CellTrack-Bench，评估 VLM 的细胞追踪相关能力，并与专用追踪器对比。

方法/产品要点

• 数据来源：15 个标准细胞追踪数据集，覆盖 4 种成像模态。
• 规模：1,537 个问题，对应 9,041 个细胞关联（cell-linking）决策。
• 困难子集：通过识别不同算法追踪器共同出现的失败案例，筛选出需要更强推理能力的困难子集。
• 评估内容：（i）评估 VLM 的不同环境 harness；（ii）基准测试 9 个前沿闭源模型与 13 个开放权重模型；（iii）对失败模式进行详细分析。
• 开源产出：代码、存储的模型输出，以及从源数据集重新生成该基准的流水线，见 https://github.com/royerlab/celltrack-bench。

主要结果或产业意义

材料未给出具体性能数字与排名结论，待核实。可确认的是：该工作提供了跨 4 种成像模态的统一评测框架，同时覆盖闭源与开放权重模型，并附带失败模式分析，为比较通用 VLM 与专用追踪算法在细胞追踪任务上的能力提供了可复现的评测基础。

为什么重要

细胞追踪是典型的专业化科学图像任务，通用 VLM 能否在此类任务上接近专用算法，直接关系到基础模型在生物医学图像分析中的适用边界。CellTrack-Bench 通过标准化数据集、困难子集筛选与失败模式分析，把“通用模型 vs 专用算法”的对比从个案讨论推进到可量化、可复现的基准评测。

局限与不确定性

• 材料未披露各模型的具体得分、困难子集的规模及其在全部问题中的占比，待核实。
• 材料未说明“环境 harness”的具体定义与差异，待核实。
• 材料未给出失败模式分析的具体类别与结论，待核实。
• 基准仅覆盖细胞追踪这一任务，向其他科学图像任务的推广性待核实。

可用于图书/PPT/简报的角度

• 作为“基础模型进入专业科学领域”章节的案例：通用能力与领域专用算法之间的差距如何被系统测量。
• 作为“科学图像基准评测”案例：多数据集、多成像模态聚合评测的设计思路。
• 作为“困难样本筛选”方法案例：利用多种算法追踪器的共同失败案例构造高推理需求子集。
• 作为“失败模式分析”案例：在基准评测中同时报告分数与错误类型。

与既有脉络的关系

已有卡片分别涉及机器人硬件鲁棒性基准（LIBERO-RIG）、流式语音自然度基准（SPEARBench）与 VLM 模态顺序一致性。本卡片补充的是科学图像领域的细胞追踪基准，其增量在于：将 VLM 评测扩展到需要时空感知的显微成像任务，并以专用追踪算法作为对比参照。

原始材料

• 标题：CellTrack-Bench: Microscopic Cell Tracking Benchmark for Vision-Language Models
• 作者：Ilan Theodoro, Jordão Bragantini, Loïc A. Royer
• arXiv ID：2610.31566v1
• 发布/更新：2026-10-22T17:09:12Z
• 主分类：cs.CV
• 摘要页：https://arxiv.org/abs/2610.31566v1
• PDF：https://arxiv.org/pdf/2610.31566v1
• 代码与数据：https://github.com/royerlab/celltrack-bench
• 关键词：Vision-Language Models; Cell Tracking; Benchmark; Microscopy; Spatiotemporal Reasoning