Forskare har ofta svårt att identifiera sällsynta anomalier i bilder eftersom standard-AI-modeller tränas på enorma mängder vanliga exempel, vilket gör dem blinda för de få kritiska fall de behöver mest. Även om grundmodeller (foundation models) har revolutionerat bildigenkänning för vardagliga fotografier, fann forskare att enbart finjustering av dessa kraftfulla verktyg på vetenskaplig data ger begränsade vinster när det gäller denna obalans. Genombrottet uppstår genom insikten att funktioner i näst sista lagret (penultimate-layer features) håller nyckeln till att upptäcka de sällsynta förekomsterna. Genom att kombinera djupa insikter från både näst sista och sista lagers steg i det neurala nätverket, lyckas den nya ramen SciLT balansera prestandan över vanliga och sällsynta klasser. Denna metod etablerar en robust baslinje för att anpassa AI till vetenskapliga domäner där datafördelningen skiftar dramatiskt, och erbjuder en praktisk lösning för att upptäcka svårfångade fenomen i forskning. Källa: SciLT: Long-Tailed Classification in Scientific Image Domains av Jiahao Chen, Bing Su, https://arxiv.org/abs/2604.03687