論文の概要: Vision-language models know more about agriculture than they show and rubric-grounded verifications close the gap

• arxiv url: http://arxiv.org/abs/2609.09417v2
• Date: Mon, 14 Sep 2026 18:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.062274
• Title: Vision-language models know more about agriculture than they show and rubric-grounded verifications close the gap
• Title（参考訳）: 視覚言語モデルでは、農業が示されるよりも多くを知っている。
• Abstract要約: 視覚言語モデル(VLM)は農業の分類を約束するが、疾患、害虫、損傷、品質、種同定におけるゼロショットのパフォーマンスは依然として貧弱である。 私たちは、これらのタスクにまたがる116のデータセット、834のクラス、8,324のイメージのベンチマークを構築し、ギャップが生じる場所を分離します。 線形探索は、すでにVLMビジョンエンコーダが自監督型DINOv3ベースラインと同じくらい分離可能な農業特徴を符号化していることを示している。
• 参考スコア（独自算出の注目度）: 3.4891835983047077
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models (VLMs) show promise for agricultural classification, but zero-shot performance on disease, pest, damage, quality, and species identification remains poor, and it is unclear whether this reflects weak visual features or a failure to connect them to domain knowledge. We build a benchmark of 116 datasets, 834 classes, and 8,324 images spanning these tasks to isolate where the gap arises. Linear probing shows VLM vision encoders already encode agricultural features nearly as separable as a self-supervised DINOv3 baseline, ruling out weak visual representations as the primary bottleneck. Conditioning each model on an oracle reference description (an upper bound on its parametric knowledge) closes most of the gap left by an unaided lower bound, showing VLMs already know more about agriculture than they show. To close this gap without an oracle description at inference time, we structure test-time reasoning around a fixed, per-task diagnostic rubric: the model generates $K$ candidate responses and a Probabilistic Pivot Tournament (PPT) verifier, scored pairwise against the rubric, selects the best one. This nearly doubles judged F1 over the lower bound and matches or exceeds the upper bound on several tasks, notably pushing Gemma 4 E4B-it's disease F1 to 0.71, above its own upper bound of 0.60. However, the verifier's letter-scale confidence score has the opposite of its intended effect: filtering to its most confident predictions does not improve accuracy and correlates negatively with correctness across every model and pool size tested, so the score cannot serve as a measure of predictive uncertainty, and most of the observed gain likely comes from rubric-grounded generation rather than pairwise verification.
• Abstract（参考訳）: 視覚言語モデル(VLM)は農業の分類を約束するが、疾患、害虫、被害、品質、種識別におけるゼロショットのパフォーマンスは依然として貧弱であり、それが弱い視覚的特徴を反映しているか、ドメイン知識に繋がらないのかは不明である。 私たちは、これらのタスクにまたがる116のデータセット、834のクラス、8,324のイメージのベンチマークを構築し、ギャップが生じる場所を分離します。 線形探索は、VLMビジョンエンコーダが自監督型DINOv3ベースラインと同じくらい分離可能で、弱い視覚表現を主要なボトルネックとして除外していることを示している。 オラクルの参照記述(パラメトリック知識の上限)に各モデルを条件付けすることで、未発見の下限によって残されたギャップのほとんどを埋めることができ、VLMが示すよりも農業について既に知っていることを示している。 このギャップを推定時にオラクル記述を使わずに閉じるため、固定されたタスクごとの診断ルーリックの周辺でテスト時間推論を構築し、そのモデルがK$の候補応答と確率的Pivot Tournament(PPT)検証器を生成し、そのルーリックに対してペアでスコアを付け、最良のルーリックを選択する。 これは、判定されたF1を下界上でほぼ2倍にし、いくつかのタスクで上界と一致または上界を越え、特にGemma 4 E4B-it 病 F1 を 0.71 まで押し上げ、その上界は 0.60 である。 しかし、検証者の文字スケールの信頼性スコアは、その意図した効果とは逆である: 最も自信のある予測に対するフィルタリングは、精度を向上せず、テスト対象のモデルごとの正しさと正しさを負に相関させるので、そのスコアは予測の不確実性の尺度として機能し得ず、観測された利得のほとんどは、ペアの検証ではなく、ルーリックグラウンドドジェネレーションによるものである可能性が高い。

関連論文リスト

• NovGauge: A Fine-Grained Benchmark for Diagnosing LLMs' Capability in Paper Novelty Assessment [54.4265627247104]
  大規模言語モデル(LLM)は、主要なAIカンファレンスでピアレビューでますます使用されている。 既存のベンチマークでは、ノベルティを1つの総合的なスコアとして評価している。 本報告では,詳細なノベルティアセスメント診断のための人手によるベンチマークであるNovGaugeについて述べる。
  論文  参考訳（メタデータ） (2026-09-10T08:34:56Z)
• Knowledge-Guided Multimodal Reasoning over Interacting Streams for Video-Level Ambivalence and Hesitancy Recognition [0.9297355862757838]
  PRISM-AHはA/Hを時間とともに展開するマルチモーダルコンフリクトとして扱うフレームワークである。 知識誘導型大規模言語モデルは、データセットの専門的な分類法を用いて、構造化された証拠を理由づける。 525ビデオのラベル付き公開テストパーティションでは、PRISM-AHは0.2827のゼロショットベースラインと比較して0.6133のマクロF1を達成する。
  論文  参考訳（メタデータ） (2026-07-28T16:44:38Z)
• AgriChain Visually Grounded Expert Verified Reasoning for Interpretable Agricultural Vision Language Models [0.06372261626436676]
  我々はAgriChainを紹介した。AgriChainは、多種多様な作物と病理にまたがる約11,000の専門家による葉のイメージのデータセットである。 我々は、AgriChainにQwen2.5-VL-3Bを微調整し、AgriChain-VL3Bと呼ばれる特殊なモデルを作成し、病気を共同で予測し、視覚的に座屈した推論を生成する。 1000イメージのテストセットでは、CoTが監督するモデルが73.1%のTop-1精度(macro F1 = 0.466; weighted F1 = 0.655)を達成し、Gemini 1.5 Flash、Gemini 2.5 Pro、GPT-4o Miniなどの強力なベースラインを上回りました。
  論文  参考訳（メタデータ） (2026-04-09T05:13:37Z)
• VB: Visibility Benchmark for Visibility and Perspective Reasoning in Images [0.0]
  本稿では、視覚言語モデルが写真で何が見えていないのかを判断できるかどうかを判定するベンチマークであるVBを提案する。 アイテムは、最小限の画像編集を最小限のテキスト編集で横断する2x2デザインを使用して、100のファミリーに編成される。 我々は,自信認識精度(CAA),最小編集フリップ率(MEFR),信頼ランク選択予測(SelRank),第2次視点推論のモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-03T23:03:11Z)
• Same Answer, Different Representations: Hidden instability in VLMs [65.36933543377346]
  本稿では,内部埋め込みドリフト,スペクトル感度,構造的滑らかさを計測する表現認識・周波数認識評価フレームワークを提案する。 このフレームワークを,SEEDBench,MMMU,POPEデータセットを対象とする最新のビジョン言語モデル(VLM)に適用する。
  論文  参考訳（メタデータ） (2026-02-06T12:24:26Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Are vision-language models ready to zero-shot replace supervised classification models in agriculture? [0.8594140167290097]
  視覚モデル(VLM)は、視覚認識タスクのための汎用的なソリューションとして提案されている。 我々は、AgMLコレクションから27の農業分類データセットに基づいて、多様なオープンおよびクローズドソースのVLMをベンチマークする。
  論文  参考訳（メタデータ） (2025-12-17T21:22:44Z)
• Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
  汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。 本稿では,ロバストネスアライメントスコア(RAS)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T12:07:56Z)
• Seeing the Unseen: Towards Zero-Shot Inspection for Wind Turbine Blades using Knowledge-Augmented Vision Language Models [10.230967860299504]
  本稿では,ゼロショット指向の検査フレームワークを提案し,視覚言語モデルとRetrieval-Augmented Generationを統合した。 技術ドキュメント、代表参照画像、ドメイン固有のガイドラインを含むマルチモーダル知識ベースを構築する。 各種損傷カテゴリをカバーする30のラベル付きブレード画像上での枠組みの評価を行った。
  論文  参考訳（メタデータ） (2025-10-26T23:19:28Z)
• vAttention: Verified Sparse Attention [100.98210818821688]
  vAttentionは、ユーザが指定した$(epsilon, delta)$の近似精度保証(thus, confirmed)を備えた実用的なスパースアテンションメカニズムである。 vAttentionはデータセット間のスパースアテンションの質を大幅に改善することを示す。 モデルの品質を損なうことなく高速なデコードを実現するために、推論シナリオにデプロイすることができる。
  論文  参考訳（メタデータ） (2025-10-07T08:46:08Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• TACRED Revisited: A Thorough Evaluation of the TACRED Relation Extraction Task [80.38130122127882]
  TACREDはリレーショナル抽出(RE)において最も大きく、最も広く使われているクラウドソースデータセットの1つである パフォーマンスの天井に到達したのか、改善の余地はあるのか? ラベルエラーは絶対F1テストエラーの8%を占めており、例の50%以上を可逆化する必要がある。
  論文  参考訳（メタデータ） (2020-04-30T15:07:37Z)

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。