Un investigador de Quesma ha evaluado diez modelos de visión-lenguaje —entre ellos Gemini 3.6 y 3.7 Flash, Claude Fable 5, GPT-5.6-Sol, Qwen3.8 27B y GLM-5.3-Flash— en la identificación de 55 especies de setas presentes en bosques polacos, usando 1.040 fotografías del conjunto de prueba del dataset FungiTastic (615.000 fotos, 2.800 especies, basado en ciencia ciudadana danesa y verificación por ADN). Cada modelo recibía una foto y debía devolver un JSON con sus cinco candidatos en nomenclatura binomial latina.
Los resultados muestran que Gemini 3.6 y 3.7 Flash encabezan la clasificación general y, según la misma fuente, lideran otros benchmarks visuales, pero incluso ellos etiquetan como comestible alrededor del 12 % de las setas venenosas. Qwen3.8 27B, preferido por el autor para tareas locales de programación, clasifica erróneamente como comestibles más de un tercio de las especies mortales. GLM-5.3-Flash destaca por su relación coste-rendimiento. La mayoría de errores son benignos (un lactario llamado otro lactario), pero los peligrosos no son aleatorios: por ejemplo, una cortinaria mortal fue identificada como rebozuelo, el mismo tipo de confusión que ha costado la vida a recolectores.
El artículo recuerda que una sola foto pocas veces basta —instructores de iNaturalist recomiendan al menos tres, con sombrero, pie y láminas visibles— y que la verificación del Atlas danés de hongos recurre a expertos y secuenciación de ADN. La conclusión es tajante: no se debe consumir una seta porque una IA la califique como segura, y añade el matiz de que el «vibe-mushroom-eating» aún no es viable, aunque Gemini 3.7 Flash sí resulta útil para aprender la flora local.