Basándose en los avances del Modelo de Lenguaje Grande (LLM), este artículo explora la aplicación del Modelo de Lenguaje Visual (VLM), específicamente una variante optimizada de LLaMa 3.2, para identificar interacciones de neutrinos en datos de detectores pixelados de experimentos de física de altas energías (HEP). Comparamos este modelo con arquitecturas de redes neuronales convolucionales (CNN) de vanguardia, similares a las utilizadas en los experimentos NOvA y DUNE, que lograron alta eficiencia y pureza en la clasificación de eventos de neutrinos electrónicos y muónicos. Considerando tanto el rendimiento de la clasificación como la interpretabilidad de las predicciones del modelo, encontramos que el VLM supera a la CNN, ofrece mayor flexibilidad para incorporar texto auxiliar o información semántica y proporciona predicciones basadas en inferencia más interpretables. Este estudio destaca el potencial del VLM como columna vertebral universal para la clasificación de eventos físicos debido a su alto rendimiento, interpretabilidad y generalización, abriendo nuevas vías para la integración de la inferencia multimodal en la física experimental de neutrinos.
