論文の概要: CiQi-Agent: Aligning Vision, Tools and Aesthetics in Multimodal Agent for Cultural Reasoning on Chinese Porcelains

• arxiv url: http://arxiv.org/abs/2603.28474v1
• Date: Mon, 30 Mar 2026 14:13:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.436833
• Title: CiQi-Agent: Aligning Vision, Tools and Aesthetics in Multimodal Agent for Cultural Reasoning on Chinese Porcelains
• Title（参考訳）: CiQi-Agent:中国陶磁器のマルチモーダル・エージェントにおける視覚・道具・審美
• Authors: Wenhan Wang, Zhixiang Zhou, Zhongtian Ma, Yanzhu Chen, Ziyu Lin, Hao Sheng, Pengfei Liu, Honglin Ma, Wenqi Shao, Qiaosheng Zhang, Yu Qiao,
• Abstract要約: 我々は,中国産陶磁器のインテリジェント分析を目的としたドメイン固有の陶磁器製造エージェントであるCiQi-Agentを紹介する。 CiQi-Agentはマルチイメージの磁器入力をサポートし、視覚ツールの呼び出しとマルチモーダル検索拡張生成を可能にする。 我々は,29,596個の磁器標本,51,553枚の画像,57,940個の視覚的質問応答対からなる,大規模で専門家による注釈付きデータセットCiQi-VQAを構築した。
• 参考スコア（独自算出の注目度）: 57.25643971175172
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The connoisseurship of antique Chinese porcelain demands extensive historical expertise, material understanding, and aesthetic sensitivity, making it difficult for non-specialists to engage. To democratize cultural-heritage understanding and assist expert connoisseurship, we introduce CiQi-Agent -- a domain-specific Porcelain Connoisseurship Agent for intelligent analysis of antique Chinese porcelain. CiQi-Agent supports multi-image porcelain inputs and enables vision tool invocation and multimodal retrieval-augmented generation, performing fine-grained connoisseurship analysis across six attributes: dynasty, reign period, kiln site, glaze color, decorative motif, and vessel shape. Beyond attribute classification, it captures subtle visual details, retrieves relevant domain knowledge, and integrates visual and textual evidence to produce coherent, explainable connoisseurship descriptions. To achieve this capability, we construct a large-scale, expert-annotated dataset CiQi-VQA, comprising 29,596 porcelain specimens, 51,553 images, and 557,940 visual question--answering pairs, and further establish a comprehensive benchmark CiQi-Bench aligned with the previously mentioned six attributes. CiQi-Agent is trained through supervised fine-tuning, reinforcement learning, and a tool-augmented reasoning framework that integrates two categories of tools: a vision tool and multimodal retrieval tools. Experimental results show that CiQi-Agent (7B) outperforms all competitive open- and closed-source models across all six attributes on CiQi-Bench, achieving on average 12.2\% higher accuracy than GPT-5. The model and dataset have been released and are publicly available at https://huggingface.co/datasets/SII-Monument-Valley/CiQi-VQA.
• Abstract（参考訳）: 古代中国の陶磁器の良心は、歴史的専門知識、資料の理解、審美的感受性を必要としており、非専門主義者の関与を困難にしている。 文化遺産の理解を民主化し,専門家の良心を支援するために,古代中国陶磁器のインテリジェントな分析を目的としたドメイン固有の陶磁器製造エージェントであるCiQi-Agentを紹介した。 CiQi-Agentは、マルチイメージの磁器入力をサポートし、視覚ツールの呼び出しとマルチモーダル検索拡張生成を可能にし、王朝、統治期、キルンサイト、ライズカラー、装飾モチーフ、血管形状の6つの属性にわたるきめ細かなconnoisseurship解析を行う。 属性分類以外にも、微妙な視覚的詳細をキャプチャし、関連するドメイン知識を検索し、視覚的およびテキスト的証拠を統合して、一貫性のある説明可能な簡潔な記述を生成する。 この能力を実現するために,29,596個の磁器標本,51,553枚の画像,57,940個の視覚的質問応答対からなる大規模で専門家による注釈付きデータセットCiQi-VQAを構築し,さらに,前述の6つの属性に沿った総合的なベンチマークCiQi-Benchを構築した。 CiQi-Agentは、教師付き微調整、強化学習、ツール拡張推論フレームワークを通じて、視覚ツールとマルチモーダル検索ツールの2つのカテゴリを統合してトレーニングされている。 実験の結果、CiQi-Agent (7B) はCiQi-Bench上の6つの属性全てで競合するオープンソースモデルやクローズドソースモデルよりも優れており、GPT-5よりも平均12.2\%高い精度で達成されている。 モデルとデータセットがリリースされ、https://huggingface.co/datasets/SII-Monument-Valley/CiQi-VQAで公開されている。

関連論文リスト

• VQArt-Bench: A semantically rich VQA Benchmark for Art and Cultural Heritage [0.0]
  VQArt-Benchは、文化遺産ドメインの大規模なビジュアル質問回答ベンチマークである。 特殊なエージェントが協力して、ニュアンス、検証、言語学的に多様な質問を生成する、新しいマルチエージェントパイプラインを使用して構築されている。 このベンチマークによる14の最先端MLLMの評価は、現在のモデルに重大な制限があることを示唆している。
  論文  参考訳（メタデータ） (2025-10-14T17:29:52Z)
• AgenticIQA: An Agentic Framework for Adaptive and Interpretable Image Quality Assessment [69.06977852423564]
  画像品質評価(IQA)は、人間の視覚系に根ざした知覚品質の定量化と解釈の両方を反映している。 AgenticIQAは、IQAを歪み検出、歪み解析、ツール選択、ツール実行の4つのサブタスクに分解する。 本稿では,IQAエージェントに適した大規模命令データセットであるAgenticIQA-200Kと,VLMベースのIQAエージェントの計画,実行,要約機能を評価するための最初のベンチマークであるAgenticIQA-Evalを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T09:37:01Z)
• MM-BrowseComp: A Comprehensive Benchmark for Multimodal Browsing Agents [78.3863007028688]
  MM-BrowseCompは、224の挑戦的で手作りの質問からなる新しいベンチマークである。 これらの質問は、しばしば画像にプロンプトを組み込むが、検索と推論の過程で遭遇する重要な情報は、Webページ上の画像やビデオにも埋め込まれることがある。 MM-BrowseCompによる最先端モデルの総合評価では、OpenAI o3のようなツールを用いたトップモデルでさえ、わずか29.02%の精度しか達成していないことが示されている。
  論文  参考訳（メタデータ） (2025-08-14T13:46:47Z)
• What are the Essential Factors in Crafting Effective Long Context Multi-Hop Instruction Datasets? Insights and Best Practices [91.71951459594074]
  拡張コンテキストウィンドウを持つLong Language Model (LLM) は、情報抽出、質問応答、複雑な計画シナリオなどのタスクを大幅に改善した。 既存のメソッドは通常、Self-Instructフレームワークを使用して、長いコンテキスト能力を改善するために命令チューニングデータを生成する。 本稿では,品質検証エージェント,シングルホップ質問生成エージェント,複数質問サンプリング戦略,マルチホップ質問マーガーエージェントを組み込んだマルチエージェント対話型マルチホップ生成フレームワークを提案する。 以上の結果から,我々の合成高品位長文指導データにより,多量の人体で訓練したモデルよりも,モデル性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2024-09-03T13:30:00Z)
• Towards Top-Down Reasoning: An Explainable Multi-Agent Approach for Visual Question Answering [47.668572102657684]
  本稿では,視覚言語モデル(VLM)の能力を高めるために,LLM(Large Language Models)の拡張的知識を活用することで,新しいマルチエージェントコラボレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-11-29T03:10:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。