論文の概要: Handoff-H1: An Orchestrated Vision-Agent System for Material Quantity Takeoff from Construction Blueprints
- arxiv url: http://arxiv.org/abs/2608.15032v1
- Date: Sat, 15 Aug 2026 04:34:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.167532
- Title: Handoff-H1: An Orchestrated Vision-Agent System for Material Quantity Takeoff from Construction Blueprints
- Title（参考訳）: Handoff-H1:建設青写真からの物質量取り出しのためのオーケストレーションビジョンエージェントシステム
- Abstract要約: Handoff-H1は、プリミティブを抽出する汎用的なコンピュータビジョンモデル、イメージ操作を備えたツール使用エージェント、および社内のビジュアルタスクツールの3つのレイヤから構築された離陸システムである。
我々は、コンセンサス検証された専門家のテイクオフと組み合わせて、実際の住宅用ブループリントセット10点について評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Converting a set of architectural blueprints into a complete material quantity takeoff requires visual perception across drawing sheets, dimensional and multi-hop reasoning, and grounding in construction conventions that the drawings never state. We present Handoff-H1, a takeoff system built from three layers: purpose-built computer-vision models that extract primitives; tool-using agents equipped with image operations and in-house visual-task tools, including CV-model-backed counting, detection and plan decomposition; and a persistent, hierarchically structured project foundation, grounded in a curated construction knowledge base. We evaluate on the Construction Blueprint Takeoff Benchmark: 10 real residential blueprint sets paired with consensus-validated expert takeoffs - 2,009 verified line items, restricted for scoring to the 1,348 primary-tier materials that drive an estimate - scored per trade by an LLM judge on material coverage and quantity Precision@25% (P@.25) and combined into a weighted composite. Under identical scoring from the raw PDF, seven frontier and open-weight models span composites of 35-61, and independent professional estimators - scored against the same reconciled gold standard - post 77.6% (65.5% coverage, 87.9% P@.25). Handoff-H1, working end-to-end from the raw PDF, reaches 81.6% (86.1% coverage, 78.8% P@.25): roughly 20 points above the strongest frontier agent, and above the independent estimators by pairing near-human quantity precision with coverage they do not reach. The evaluation harness is public for the open harbor framework; the blueprint sets and ground truth are available upon request for research use.
- Abstract（参考訳）: 建築図面の集合を完全な物質量の離陸に変換するには、図面を横切る視覚的知覚、次元と多点の推論、そして図面が決して記さないような建設慣習の接地が必要である。
本稿では, プリミティブを抽出する汎用コンピュータビジョンモデル, CVモデル支援の計数, 検出, 計画分解など, 画像操作と内装視覚タスクツールを備えたツール利用エージェント, キュレートされた構築知識ベースに根ざした, 永続的かつ階層的に構成されたプロジェクト基盤の3層からなる離陸システムであるHandoff-H1を提案する。
コンセンサス検証済みのエキスパートテイクオフと2,009個の実住宅青写真セットを組み合わせ,評価を駆動する1,348個のプライマリ層材料に限定し,LLM審査員が材料被覆量および量精度25%(P@.25)で評価し,重み付き複合材料に組み合わせた。
原版PDFと同一のスコアで、7つのフロンティアとオープンウェイトモデルは35-61の合成品と独立系プロの推定員で、77.6%(65.5%のカバレッジ、87.9%のP@.25)の基準に反する。
Handoff-H1は、生のPDFからエンドツーエンドで動作し、81.6%(86.1%のカバレッジ、78.8%のP@.25)に達し、最強のフロンティアエージェントより約20ポイント高く、ほぼ人間に近い量の精度と到達しないカバレッジとをペアリングすることによって、独立推定器より上である。
評価ハーネスはオープンハーバーフレームワーク向けに公開されており、ブループリントセットとグラウンド真理は研究用途の要求に応じて利用可能である。
関連論文リスト
- Harbor Adapters and Harbor-Index: Infrastructure and a Curated Meta-Dataset for Large-Scale Agentic Evaluation [141.29138788636013]
任意のエージェントを評価するために80以上のベンチマークを移植するベンチマークアダプタを開発した。
54のベンチマークで,機能レベルにまたがる8モデルの大規模評価を行う。
私たちは29のベンチマークにまたがる82の難易度、多様性、高品質なタスクをキュレートしたHarbor-Indexを紹介します。
論文 参考訳（メタデータ） (2026-09-03T16:26:20Z) - AgentFAIR: A Multi-Agent Collaborative Framework for FAIRness Evaluation of Geospatial Datasets [4.193537335690018]
本稿では,構造抽出とサブプリンシプル固有評価器を組み合わせたマルチエージェントフレームワークであるAgentFAIRを提案する。
それぞれが0-3の成熟度スコア、エビデンス、レコメンデーションを生成します。
15データセットの専門家による予備的な研究では、フライスのカッパは0.71で、82%が専門家のコンセンサスと一致している。
論文 参考訳（メタデータ） (2026-07-17T09:32:54Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Cascaded Multi-Granularity Pruning for On-Device LLM Inference in Industrial IoT [4.775543545907101]
本稿では, 層やアテンションヘッド, フィードフォワードチャネルを粗い順序で除去する多粒度刈取フレームワークを提案する。
情報理論解析は、この順序付けを動機付け、構造独立推定(SIA)はチェック可能な条件として定式化される。
NVIDIA DGX Sparkを使用した産業用スリーディングベアリング障害診断プラットフォーム上に展開され、圧縮されたモデルは推論遅延を67.2%、ピークメモリを62.5%削減した。
論文 参考訳（メタデータ） (2026-06-25T10:44:48Z) - Knowledge Index of Noah's Ark [63.143852586221534]
KINAは,261分野にわたる899項目のベンチマークである。
ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。
トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
論文 参考訳（メタデータ） (2026-06-03T17:06:49Z) - Fine-Tuning Vision-Language Models for Understanding Current Damage and Scoring Priority with Quality Guard Agent [0.0]
日本の橋梁検査では5年ごとに視力検査が義務付けられている。
異なるエンジニアによって割り当てられた定性的な損傷評価(レベルa-e)は、レーダー間の大きなばらつきを示す。
本稿では,橋梁損傷理解と修復優先スコアの自動化手法を提案する。
論文 参考訳（メタデータ） (2026-05-24T21:11:50Z) - Visual Aesthetic Benchmark: Can Frontier Models Judge Beauty? [59.923111838399144]
本稿では,視覚的審美性ベンチマーク (VAB) を提案する。
VABには400のタスクと1,195のイメージが芸術、写真、イラストに含まれており、ラベルはタスクごとに10人の独立した専門家審査員のコンセンサスから導かれる。
最強のシステムは、人間の専門家が達成した68.9%よりもはるかに低い26.5%のタスクで、候補順の3つのランダムな順で、最良の画像と最悪の画像の両方を正しく識別する。
論文 参考訳（メタデータ） (2026-05-12T19:33:28Z) - Predicting When to Trust Vision-Language Models for Spatial Reasoning [2.984679075401059]
VLM(Vision-Language Models)は、マルチモーダルタスクにまたがる印象的な機能を示すが、体系的な空間的推論の失敗を示す。
独立な幾何学的検証によってVLM予測を検証可能な視覚に基づく信頼度推定フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-14T22:00:28Z) - DocReward: A Document Reward Model for Structuring and Stylizing [107.03974018371058]
DocRewardはドキュメントの構造とスタイルに基づいてドキュメントを評価するドキュメント報酬モデルである。
ブラッドリー・テリーの損失を利用して文書を採点し、注釈付きランキングに矛盾する予測を罰する訓練を受けている。
GPT-5の37.7%の勝利率に比べて60.8%の勝利率を達成した。
論文 参考訳（メタデータ） (2025-10-13T13:36:32Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - HGDNet: A Height-Hierarchy Guided Dual-Decoder Network for Single View
Building Extraction and Height Estimation [13.09940764764909]
建物の高さを推定するために,高階層型デュアルデコーダネットワーク(HGDNet)を提案する。
合成された高さ階層nDSMの指導の下で、補助的な高さ階層的建築物抽出枝は高さ推定枝を強化する。
より正確な建物抽出を実現するために、追加の2段階のカスケードアーキテクチャが採用されている。
論文 参考訳（メタデータ） (2023-08-10T07:03:32Z)
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。