在半导体制造领域，原子层沉积（ALD）与原子层刻蚀（ALE）技术堪称核心工艺。它们如同高精度的积木搭建，以原子级别的精度在材料表面逐层添加或去除物质，支撑着手机芯片、电脑处理器乃至未来量子计算机的研发。然而，这些关键技术的科研成果往往隐藏在复杂的图表中——反应速率曲线、光谱图、能带结构示意图……这些信息密度极高的图表，人类专家能快速捕捉关键结论，但人工智能（AI）能否理解？一场名为ICDAR 2026 Sci-ImageMiner的竞赛试图给出答案。
竞赛聚焦于测试AI对专业科学图表的理解能力，任务设计从简单到复杂层层递进。第一关是图表分类，要求AI从49种预定义类型中识别图表归属，看似基础，实则暗藏挑战——例如“多光谱图”与“堆叠光谱图”的细微差异，可能只有资深研究者才能分辨。第二关是数据提取，AI需将图表中的数据还原为结构化的Markdown表格，这一任务需同时衡量数值准确性（相对映射相似度）与表格结构合理性（树编辑距离相似度）。第三关为摘要生成，考验AI将视觉信息转化为自然语言的能力，要求文字总结简洁且信息完整。第四关视觉问答（VQA）则是终极挑战，问题由人类专家设计，涵盖反应机制、材料性能、实验现象与实际器件关联等深度推理内容，例如“随着锗含量增加，导带预计如何变化？”，这要求AI不仅读懂图表，还需理解背后的物理化学规律。
数据集的构建是竞赛的基础。研究团队从205篇ALD/ALE领域论文中提取了1951张图表，涵盖折线图、分子结构图、光谱图等49种类型，几乎覆盖该领域所有常见图表形式。标注工作由10名具备研究生到博士后学历的领域专家完成，标注一致性（Fleiss' Kappa值）为0.46，属于中等水平。这一数字反映了任务的主观性——即使人类专家之间，对图表分类或问题设计的判断也存在分歧，更遑论训练AI。
竞赛吸引了68名参与者，累计提交1263次结果。分类任务中，冠军团队Ricoh_SRCB采用分层策略：先训练粗粒度模型将图表分为6大类，再训练精细模型区分49种具体类型，并针对易混淆类别添加辅助分类器。推理阶段同时输入整图与局部裁剪图，兼顾全局与细节。这一策略使其准确率达0.79，F1分数0.81，显著优于基线模型。数据提取任务冠军TeleOCR-VL则将“结构理解”与“数值识别”拆分为两个模型分别训练，并通过合成数据弥补标注不足，最终得分41.81（满分100）。摘要生成与视觉问答任务均由DeepVitminC团队夺冠，其方法核心是“上下文增强”——通过检索论文原文、图注等信息注入模型输入，避免AI凭空猜测专业术语或数值背景。例如，在视觉问答中，该团队结合规则提取与RAG（检索增强生成）技术，使加权得分达0.31，虽仍低于其他任务，但已属当前最佳水平。
竞赛结果揭示了AI的强项与短板。分类与摘要任务表现较好，准确率与加权得分分别达0.7以上与0.5以上，说明AI已能处理相对宏观的任务；但数据提取与视觉问答得分明显偏低，尤其是后者，反映出AI在精确数值提取与科学推理上的不足。例如，从能带图中推断材料性能变化，或理解掺杂对半导体电子结构的影响，这些需结合领域知识的推理，仍是AI的“盲区”。
获胜团队的共性策略值得关注。几乎所有排名靠前者均使用了Qwen系列开源视觉语言模型作为基座，并通过LoRA（低秩适应）等参数高效微调技术降低训练成本。注入文字上下文信息成为关键——图注、论文段落甚至前置任务输出，均被用于弥补纯视觉理解的局限。例如，Ricoh_SRCB团队在分类任务中，通过DPO（直接偏好优化）技术构造“硬负样本”（对正确答案进行随机扰动生成的错误版本），训练模型区分好坏答案，效果优于使用弱模型生成的错误样本。这一细节表明，教AI“识别错误”有时比“记忆正确”更有效。
竞赛也暴露了技术应用的边界。VLMinators团队尝试集成多个模型提升性能，结果因模型间判断分歧过大导致效果下降，说明“堆模型”并非万能。更深层的挑战在于标注一致性——人类专家对“深度理解”的判断尚未统一，又如何要求AI达到完美一致？例如，视觉问答中，问题设计需参照布鲁姆认知分类法，从“记住”到“创造”层层递进，但不同专家对“分析”与“评价”的界定可能存在差异，这为数据标注与模型评估增添了复杂性。
这场竞赛的意义不仅在于测试AI能力，更在于推动方法论的公开与复现。获胜团队已被邀请将方法整理为论文提交会议，为后续研究提供参考。此前，ICDAR相关竞赛聚焦化学结构识别，MacBench则针对化学材料科学设计多模态基准，而Sci-ImageMiner通过聚焦ALD/ALE领域，在标注质量与任务深度上实现突破。未来，若数据提取任务准确率能从40分提升至70分以上，实验室中堆积的图表数据或可被自动化转为结构化数据库，供检索与二次分析——这一前景，正等待技术进一步突破。
