論文の概要: ViFA-Council: Multi-Agent LLM Deliberation for Vietnamese Folk Art Generation

• arxiv url: http://arxiv.org/abs/2609.13348v1
• Date: Sat, 11 Jul 2026 09:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.525785
• Title: ViFA-Council: Multi-Agent LLM Deliberation for Vietnamese Folk Art Generation
• Title（参考訳）: ViFA-Council:ベトナム民芸制作のための多言語LCM検討
• Abstract要約: ViFA-Councilは、文化的に複雑な2つの生成タスクに取り組むために、複数の大規模言語モデル(LLM)を使用する3段階のマルチエージェントフレームワークである。 ViFA-Councilはこの課題に対処し、GPT-4o、Gemini 3.1 Pro、Claude Sonnet 4.6のコラボレーションを組織した。 実験とユーザスタディにより、構造化されたマルチエージェントの議論は、文化的忠実性と物語コヒーレンスを改善するための有望な方向であることが示された。
• 参考スコア（独自算出の注目度）: 5.836946074478576
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents ViFA-Council, a three-stage multi-agent framework that employs multiple large language models (LLMs) to tackle two culturally complex generative tasks: image outpainting and educational story generation based on traditional Vietnamese folk paintings. Current single-model generative pipelines frequently struggle with stylistic hallucinations and cultural misrepresentations because they lack mechanisms for cross-model critique. ViFA-Council addresses this challenge by orchestrating collaboration among GPT-4o, Gemini 3.1 Pro, and Claude Sonnet 4.6. It enforces rigorous cultural constraints through structured agent deliberation. This deliberation is mediated by task-specific JSON schemas that effectively bridge natural language discussions with diffusion-based image synthesis using Banana Pro. Experiments and a user study demonstrate that structured multi-agent deliberation is a promising direction for improving cultural fidelity and narrative coherence in culturally sensitive, low-resource artistic domains. The source code and data are released at https://github.com/DanielNguyen-05/ViFA-Council.
• Abstract（参考訳）: 本稿では,多言語モデル(LLM)を用いた3段階のマルチエージェントフレームワークであるViFA-Councilについて述べる。 現在の単一モデル生成パイプラインは、クロスモデル批判のメカニズムが欠如しているため、スタイリスティックな幻覚や文化的な誤表現にしばしば苦労している。 ViFA-Councilはこの課題に対処し、GPT-4o、Gemini 3.1 Pro、Claude Sonnet 4.6のコラボレーションを組織した。 厳格な文化的制約を、構造化されたエージェントの審議を通じて実施する。 この議論は、自然言語の議論をBana Proを使った拡散ベースの画像合成で効果的に橋渡しするタスク固有のJSONスキーマによって仲介される。 文化的にセンシティブで低リソースの芸術ドメインにおいて、構造化マルチエージェントの議論は文化的忠実性と物語コヒーレンスを改善するための有望な方向であることを示す実験とユーザスタディである。 ソースコードとデータはhttps://github.com/DanielNguyen-05/ViFA-Councilで公開されている。

関連論文リスト

• Beyond Instrumental and Substitutive Paradigms: Introducing Machine Culture as an Emergent Phenomenon in Large Language Models [9.785535924216765]
  本研究は,TextbfMachine Cultureを創発的で異なる現象として提案する。 私たちは8つのマルチモーダルタスクで2ドル(Model Origin: US vs. China)の2ドル(Prompt Language: English vs. Chinese)のファクターデザインを採用しました。 LLMは人間の文化をシミュレートするのではなく、創発的な機械文化を示すと結論付けている。
  論文  参考訳（メタデータ） (2026-01-23T13:11:28Z)
• Pun Intended: Multi-Agent Translation of Wordplay with Contrastive Learning and Phonetic-Semantic Embeddings [0.0]
  本研究では,現在最先端の大規模言語モデルとワードプレイ生成のための特化技術を組み合わせることで,句を英語からフランス語に翻訳する新しい手法を提案する。 我々の方法論の主な目的は、単に語彙を重複させるのではなく、原文の語句の言語的創造性とユーモアを捉えることである。
  論文  参考訳（メタデータ） (2025-07-09T03:09:14Z)
• Seedream 2.0: A Native Chinese-English Bilingual Image Generation Foundation Model [69.09404597939744]
  Seedream 2.0は、中国語と英語のバイリンガル画像生成基盤モデルである。 中国語と英語の両方でテキストプロンプトを管理し、バイリンガル画像生成とテキストレンダリングをサポートする。 テキストエンコーダとして自己開発されたバイリンガルな大規模言語モデルと統合されており、大量のデータから直接ネイティブ知識を学習することができる。
  論文  参考訳（メタデータ） (2025-03-10T17:58:33Z)
• Multi-Agent Multimodal Models for Multicultural Text to Image Generation [4.934817254755008]
  多文化画像生成の新しいタスクのためのマルチエージェントインタラクション設定において,Large Language Models (LLMs) の性能を評価する。 5つの国、3つの年齢グループ、2つの性別、25の歴史的ランドマーク、5つの言語にまたがる9000の多文化画像のデータセットを提供する。 マルチエージェントインタラクションは、複数の評価指標で単純な非エージェントモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-21T22:19:56Z)
• The Power of Many: Multi-Agent Multimodal Models for Cultural Image Captioning [25.956176241542597]
  異なる文化的ペルソナを持つLMMを用いて、異文化間画像キャプションを強化する枠組みであるMosAICを紹介する。 我々は、中国、インド、ルーマニアの画像に対して、文化に富んだ画像キャプションのデータセットを英語で提供します。 マルチエージェントインタラクションは、異なるメトリクス間でシングルエージェントモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-18T17:37:10Z)
• Large Multilingual Models Pivot Zero-Shot Multimodal Learning across Languages [76.35234803589412]
  MPMは、英語以外の言語で大規模なマルチモーダルモデルを訓練するための効果的な訓練パラダイムである。 画像・テキスト・テキスト・画像生成における大規模なマルチモーダルモデルVisCPMを構築し,中国語の最先端(オープンソース)性能を実現する。
  論文  参考訳（メタデータ） (2023-08-23T09:55:41Z)
• On Advances in Text Generation from Images Beyond Captioning: A Case Study in Self-Rationalization [89.94078728495423]
  近年のモダリティ,CLIP画像表現,言語モデルの拡張は,マルチモーダル入力によるタスクのマルチモーダル自己調整を一貫して改善していないことを示す。 画像キャプションを超えて画像やテキストからテキストを生成するために構築可能なバックボーンモデリング手法が提案されている。
  論文  参考訳（メタデータ） (2022-05-24T00:52:40Z)
• Large-scale Bilingual Language-Image Contrastive Learning [17.19890778916312]
  我々は11億枚の画像テキストペア(韓国語7800万、英語476万)を集め、KELIPという名前のバイリンガル・マルチモーダルモデルを訓練します。 我々は,MAE事前学習やマルチクロップ強化など,シンプルで効果的なトレーニング手法を導入する。 実験により、そのようなトレーニングスキームで訓練されたモデルは、両方の言語で競合する性能を示すことが示された。
  論文  参考訳（メタデータ） (2022-03-28T03:02:03Z)
• Exploiting BERT For Multimodal Target SentimentClassification Through Input Space Translation [75.82110684355979]
  オブジェクト認識変換器を用いて入力空間内の画像を変換する2ストリームモデルを提案する。 次に、翻訳を利用して、言語モデルに多モーダル情報を提供する補助文を構築する。 2つのマルチモーダルTwitterデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-08-03T18:02:38Z)
• Understanding Chinese Video and Language via Contrastive Multimodal Pre-Training [79.88705563918413]
  VICTORという新しいビデオ言語理解フレームワークを提案します。VICTORは対比mulTimOdal pRe-trainingによる視覚言語理解の略です。 VICTORは、対応する高品質のテキスト記述を備えた1000万以上の完全なビデオを含む大規模な中国のビデオ言語データセットで訓練されています。
  論文  参考訳（メタデータ） (2021-04-19T15:58:45Z)
• InfoXLM: An Information-Theoretic Framework for Cross-Lingual Language Model Pre-Training [135.12061144759517]
  本稿では,言語間言語モデルの事前学習を定式化する情報理論フレームワークを提案する。 コントラスト学習に基づく新しい事前学習課題を提案する。 単言語コーパスと並列コーパスの両方を活用することで、事前訓練されたモデルの言語間変換性を向上させるために、プレテキストを共同で訓練する。
  論文  参考訳（メタデータ） (2020-07-15T16:58:01Z)

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。