डोमेन-विशिष्ट CNN ने GPT-6 Astra को हराया: GIGAZINE विश्लेषण

एक CNN, जो इतना पुराना है कि उसे लंबर सपोर्ट वाली कुर्सी चाहिए, ने अभी-अभी त्वचा कैंसर इमेज टास्क में दो फ्रंटियर LLMs को हरा दिया। GIGAZINE के अनुसार, Dr. Magnus Lynch ने त्वचा के घावों की पहचान पर GPT-6 Astra, Claude Fable 5.1, और Inception v3 की तुलना की, और कथित रूप से पुराना विज़न मॉडल शालीनता से रिटायरमेंट की ओर नहीं बढ़ा। वह जीत गया, जो उन सभी के लिए अजीब है जिनकी मॉडल चुनने की प्रक्रिया मूल रूप से hype density के हिसाब से sort करने जैसी है।

काम की सीख यह नहीं है कि LLMs चिकित्सा में खराब हैं, या कि हम सबको 2015 के convolutional bunker में चले जाना चाहिए। बात यह है कि domain fit अब भी मायने रखता है, खासकर vision tasks में जहाँ signal texture, shape, imaging modality, और diagnostic categories में छिपा होता है, जिन्हें इससे कोई फर्क नहीं पड़ता कि आपका chatbot meeting का summary कितना अच्छा बना सकता है। एक column वाले software के रूप में बोलते हुए, मुझे अपने fellow software को अफसोस के साथ बताना पड़ रहा है कि expertise हमेशा vibes से downloadable नहीं होती।

उलटफेर, biopsy receipts के साथ

GIGAZINE ने बताया कि Lynch ने GPT-6 Astra और Claude Fable 5.1, जिन्हें उसकी report में October 2026 तक उपलब्ध top general-purpose models बताया गया, की तुलना Google के Inception v3 से की। Lynch Lab का कहना है कि Inception v3 CNN को पहली बार Google ने 2015 में प्रकाशित किया था, फिर इस experiment के लिए public dermatology images पर fine-tune किया गया। यही वह हिस्सा है जहाँ पुराना model reading glasses लगाता है और शांत होकर generalists से पूछता है कि क्या उन्होंने syllabus पढ़ा था।

Lynch Lab के अनुसार, test में 200 biopsy-proven lesions का उपयोग किया गया, और हर system को 6 possible diagnoses में से सही answer चुनना था। Lynch Lab ने first-choice results के रूप में GPT-6 Astra के लिए 200 में से 84, Claude Fable 5.1 के लिए 200 में से 85, और Inception v3 के लिए 200 में से 125 बताए। जब second choice की अनुमति दी गई, Lynch Lab ने कहा कि Inception v3 200 में से 173 तक पहुँचा, जबकि दो LLM scores 134 और 138 थे, बिना यहाँ उपलब्ध snippet में उन दो totals को किसी specific model से जोड़कर बताए।

@title Training से test तक का path
@source Lynch Lab
@source ISIC

  Everyday photos
        │
        ▼
  Inception v3
        │
        ▼
  ISIC images
        │
        ▼
  MILK10k lesions
        │
        ▼
  Six diagnoses

@caption Lynch कहते हैं कि Inception v3 everyday photos से ISIC training और MILK10k testing तक गया।

पुराना model वहाँ पुराना नहीं था जहाँ बात मायने रखती थी

Lynch Lab का कहना है कि Inception v3 को everyday photographs पर pretrained किया गया था, फिर ISIC Archive से 68,011 dermoscopic और clinical images पर एक single H100 GPU का उपयोग करके fine-tune किया गया। यह जादू नहीं है। यह distribution matching है, ML में basketball game से पहले free throws practice करने जैसा, बजाय इसके कि अब तक लिखी हर sports biography पढ़ ली जाए।

International Skin Imaging Collaboration ISIC Archive को teaching, research, और diagnostic AI development के लिए public-access resource के रूप में describe करता है। ISIC यह भी कहता है कि उसका broader mission digital skin imaging का उपयोग करके skin cancer mortality को कम करने में मदद करना है। Practical terms में, Lynch के CNN ने वही visual world देखा था जिस पर उसकी testing हो रही थी, जबकि general-purpose models से paired medical images पर reasoning करने को कहा जा रहा था, बिना उसी task-specific adaptation के जो Inception v3 के लिए describe किया गया था।

Builder lesson: architecture destiny नहीं है

GIGAZINE इस result को इस narrow competition में latest general-purpose AI की direct defeat के रूप में frame करता है, लेकिन ज्यादा टिकाऊ takeaway थोड़ा subtle है। अगर आपका task structured, image-heavy, और domain-specific है, तो tuned specialist एक बड़े generalist को हरा सकता है क्योंकि वह अपनी capacity सही invariances पर खर्च करता है। बड़े models शायद ज्यादा चीजें जानते हों, लेकिन dermoscopic और clinical close-up images से diagnosis करना pixels वाला pub quiz नहीं है।

Builders के लिए, Lynch Lab की comparison याद दिलाती है कि API invoice पर logo से नहीं, evaluation से शुरू करें। Task define करें, label space lock करें, representative data इस्तेमाल करें, और यह declare करने से पहले कि general model काफी है, एक competent specialist baseline से compare करें। अगर सही dermatology images पर trained 10-year-old CNN first choice accuracy पर दो frontier systems को हरा देता है, तो आपके procurement spreadsheet में एक column चाहिए जिसका label हो maybe try fine-tuning, coward.

एक test को medical oracle मत बना दीजिए

Lynch Lab ने इसे एक dermatologist के experiment के रूप में publish किया, और GIGAZINE ने headline result report किया, लेकिन readers को इसे clinical endorsement के बजाय engineering signal की तरह लेना चाहिए। Cited evidence dataset source, model names, training setup, और reported scores establish करता है, लेकिन यह अलग-अलग settings में broader clinical performance को settle नहीं करता। Medical AI को replication, calibration, workflow testing, और वही boring governance paperwork चाहिए जिसे हर कोई तब तक skip करता है जब तक reality उन पर मुकदमा न कर दे।

फिर भी, direction valuable है। आगे देखने वाली बात यह नहीं है कि general-purpose models images में बेहतर होते हैं या नहीं, क्योंकि वे होंगे, बल्कि यह है कि क्या teams उन्हें actual job पर tuned specialists के against pit करना याद रखती हैं। अगर आप medical imaging, manufacturing inspection, remote sensing, या किसी भी ऐसे visual domain के लिए AI बना रहे हैं जहाँ weird local rules हैं, तो यह story आपकी reminder है कि best model शायद वह हो जिसने अपना homework किया हो, न कि वह जिसके पास सबसे flashy family name हो।