Fugu-MT 論文翻訳(概要): Fine-Tuning General-Purpose Large Language Models for Agricultural Applications:A Reproducible Framework and Evaluation Protocol Based on Qwen3-8B

論文の概要: Fine-Tuning General-Purpose Large Language Models for Agricultural Applications:A Reproducible Framework and Evaluation Protocol Based on Qwen3-8B

arxiv url: http://arxiv.org/abs/2606.28992v1
Date: Sat, 27 Jun 2026 16:02:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:15.753871
Title: Fine-Tuning General-Purpose Large Language Models for Agricultural Applications:A Reproducible Framework and Evaluation Protocol Based on Qwen3-8B
Title（参考訳）: 農業用汎用大規模言語モデルの構築:Qwen3-8Bに基づく再現可能なフレームワークと評価プロトコル
Abstract要約: AgriTune-Rは、汎用的な大規模言語モデルを農業タスクに適用するためのフレームワークである。このフレームワークは、農業データガバナンス、命令構築、LoRA/QLoRAパラメーター効率の微調整、検索強化生成、専門家評価、安全管理を統合している。
参考スコア（独自算出の注目度）: 14.747665015038345
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: General-purpose large language models (LLMs) have demonstrated strong abilities in opendomain question answering, information extraction, and text generation. Agricultural applications, however, are domain-specific, region-dependent, time-sensitive, and safety-critical. Without data governance, expert evaluation, and evidence constraints, an agricultural assistant mayproduce unreliable advice on crop diseases, pesticide use, fertilization, or policy interpretation.To avoid presenting unverified simulated numbers as real experimental findings, this paper doesnot report any model-performance claims that have not been produced by an actual training runand expert evaluation. Instead, we propose AgriTune-R, a reproducible and auditable frameworkfor adapting general-purpose LLMs to agricultural tasks. The framework selects the publiclyverifiable Qwen3-8B model as the recommended base model and integrates agricultural datagovernance, instruction construction, LoRA/QLoRA parameter-efficient fine-tuning, retrievalaugmented generation, expert evaluation, and safety control for high-risk questions. The contributions are: (1) a structured workflow for agricultural LLM adaptation; (2) an evaluationprotocol for agricultural knowledge QA, pest and disease consultation, cultivation management,and policy explanation; (3) an expert-review rubric combining factuality, safety, evidence consistency, and uncertainty expression; and (4) a clear separation between protocol design andempirical conclusions, providing an executable baseline for future empirical studies.
Abstract（参考訳）: 汎用大規模言語モデル(LLM)は、オープンドメイン質問応答、情報抽出、テキスト生成において強力な能力を示している。しかし、農業用途は、ドメイン固有の、地域に依存し、時間に敏感で、安全に重要なものである。データガバナンス、専門家評価、エビデンス制約がなければ、農業アシスタントは作物病、殺虫剤の使用、受精、政策解釈に対する信頼できないアドバイスを生み出す可能性がある。そこで我々は,農業タスクに汎用LLMを適用するための再現性と監査可能なフレームワークであるAgriTune-Rを提案する。このフレームワークは、推奨ベースモデルとして公開可能なQwen3-8Bモデルを選択し、農業データグラバナンス、命令構成、LoRA/QLoRAパラメータ効率の微調整、検索拡張生成、エキスパート評価、リスクの高い質問に対する安全性制御を統合する。本研究は,(1)農業LLM適応のための構造化ワークフロー,(2)農業知識に関するQA,害虫・疫学相談,養殖管理,政策説明のための評価プロトコール,(3)事実性,安全性,証拠の整合性,不確実性表現を組み合わせた専門家レビュールーリック,(4)プロトコル設計と経験的結論を明確に分離し,将来の実証研究のベースラインを提供する。

関連論文リスト

Trust but Verify: Introducing DAVinCI -- A Framework for Dual Attribution and Verification in Claim Inference for Language Models [53.279391576560755]
大規模言語モデル(LLM)は、広範囲のNLPタスクにおいて顕著な流速と汎用性を示してきたが、実際的な不正確さと制限が伴う傾向にある。これは、信頼と妥当性が最優先される医療、法律、科学コミュニケーションといった、高リスク領域に重大なリスクをもたらす。 LLM出力の事実的信頼性と解釈可能性を高めるために設計されたDAVinCI - Dual Attribution and Verificationフレームワークを紹介する。
論文参考訳（メタデータ） (2026-04-23T01:37:50Z)
AgriChat: A Multimodal Large Language Model for Agriculture Image Understanding [13.665861251747144]
我々は、数千の農業階級にまたがる幅広い知識を提示し、説明付きの詳細な農業評価を提供する専門的なMLLMであるAgriChatを紹介する。その結果、視覚的詳細をWebで検証された知識と組み合わせて保存することは、堅牢で信頼性の高い農業用AIへの信頼できる経路であることがわかった。
論文参考訳（メタデータ） (2026-03-14T11:49:05Z)
AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。 CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
論文参考訳（メタデータ） (2026-03-08T17:28:01Z)
AgriWorld:A World Tools Protocol Framework for Verifiable Agricultural Reasoning with Code-Executing LLM Agents [17.904008870689964]
我々は,Pythonの実行環境であるAgriWorldを紹介し,フィールドパーセル上のクエリ,リモートセンシング時系列分析,作物の成長シミュレーション,タスク固有の予測器(収量,ストレス,病気リスクなど)について,統一的なツールを公開している。この環境上では,複数ターンのAgroReflectiveエージェントを設計し,コードを反復的に書き,実行結果を観察し,実行-観測-再定義ループを通じて解析を洗練する。
論文参考訳（メタデータ） (2026-02-17T03:12:57Z)
Fine-Tuning and Evaluating Conversational AI for Agricultural Advisory [0.5839782776991492]
大規模言語モデルは農業の助言を約束するが、バニラモデルは推奨されない勧告を示す。本稿では,会話配信から事実検索を分離するハイブリッドLLMアーキテクチャを提案する。インドのビハールで行われた作物とクエリの実験では、キュレートされたデータの微調整により、事実のリコールとF1が大幅に改善された。
論文参考訳（メタデータ） (2026-02-06T10:18:32Z)
Agri-R1: Empowering Generalizable Agricultural Reasoning in Vision-Language Models with Reinforcement Learning [22.34625628938106]
我々は,農業用大規模モデルであるtextbfAgri-R1を提案する。我々のフレームワークは、視覚言語合成とLLMに基づくフィルタリングによる高品質な推論データを生成する。疾患認識の精度は+23.2%、農業知識のQAは+33.3%、クロスドメインの一般化は+26.10ポイント向上した。
論文参考訳（メタデータ） (2026-01-08T07:34:37Z)
AgriDoctor: A Multimodal Intelligent Assistant for Agriculture [45.77373971125537]
AgriDoctorは、インテリジェントな作物病診断と農業知識の相互作用のために設計されたモジュラーでマルチモーダルなフレームワークである。効果的なトレーニングと評価を容易にするために,400000の注釈付き疾患画像,831のエキスパートによる知識エントリ,30000のバイリンガルプロンプトによるインテント駆動ツール選択のベンチマークであるAgriMMを構築した。実験により、AgriMMで訓練されたAgriDoctorは、細粒度の農業作業において最先端のLVLMを著しく上回っていることが示された。
論文参考訳（メタデータ） (2025-09-21T11:51:57Z)
AgriGPT: a Large Language Model Ecosystem for Agriculture [16.497060004913806]
AgriGPTは、農業利用のためのドメイン特化大規模言語モデルエコシステムである。信頼性のあるデータソースを,高品質で標準化された質問応答データセットであるAgri-342Kにコンパイルする,スケーラブルなデータエンジンを設計する。本稿では,高密度検索,スパース検索,マルチホップ知識グラフ推論を組み合わせた3チャンネル検索拡張フレームワークTri-RAGを用いる。
論文参考訳（メタデータ） (2025-08-12T04:51:08Z)
Agri-LLaVA: Knowledge-Infused Large Multimodal Assistant on Agricultural Pests and Diseases [49.782064512495495]
農業分野における最初のマルチモーダル・インストラクション・フォロー・データセットを構築した。このデータセットは、約40万のデータエントリを持つ221種類以上の害虫と病気をカバーしている。本稿では,農業用マルチモーダル対話システムであるAgri-LLaVAを開発するための知識注入型学習手法を提案する。
論文参考訳（メタデータ） (2024-12-03T04:34:23Z)
Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
論文参考訳（メタデータ） (2024-09-24T14:52:14Z)
RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
論文参考訳（メタデータ） (2024-08-02T13:35:11Z)

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。