論文の概要: SKstars at SHROOM: Visions Agreement-Guided Ensembling of Zero-Shot and LoRA-Adapted Vision--Language Models

• arxiv url: http://arxiv.org/abs/2609.24198v1
• Date: Mon, 21 Sep 2026 07:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.121123
• Title: SKstars at SHROOM: Visions Agreement-Guided Ensembling of Zero-Shot and LoRA-Adapted Vision--Language Models
• Title（参考訳）: SHROOMのSKstars: ゼロショットとロラ適応ビジョンの合意誘導組立モデル
• Abstract要約: 本稿では,SHROOM-Visions 2026へのSKstarsの提出について述べる。 このタスクには、幻覚的文字幅を特定し、幻覚的カテゴリーを割り当て、予測に対する信頼度を推定するシステムが必要である。 提案手法は,Qwen2.5-VL-72B-インストラクトとLoRA適応Qwen2.5-VL-7B-インストラクトモデルのゼロショット予測を組み合わせる。
• 参考スコア（独自算出の注目度）: 2.6966804321020352
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper describes the SKstars submission to SHROOM-Visions 2026, a shared task on fine-grained hallucination detection in large vision-language model outputs. The task requires systems to identify hallucinated character spans, assign hallucination categories, and provide confidence estimates for their predictions. Our approach combines zero-shot predictions from Qwen2.5-VL-72B-Instruct with those of a LoRA-adapted Qwen2.5-VL-7B-Instruct model. The outputs of the two models are integrated through a lightweight ensemble procedure, followed by span refinement and confidence adjustment. We evaluate the main system components on a small internal development subset and report the performance of the submitted system on the official English test set. SKstars achieved a Cor+Lbl score of 0.2902, ranking 15th among 29 teams, and obtained Cor and IoU scores of 0.3642 and 0.3151, respectively, ranking 18th on both metrics. The results show that combining a large zero-shot model with a smaller adapted model provides a practical framework for multilingual and fine-grained hallucination localization, while also highlighting the difficulty of transferring development-set improvements to hidden test data. Code and predictions: https://github.com/aliathar1401/SK-Stars-shroom-visions-2026
• Abstract（参考訳）: 本稿では,SHROOM-Visions 2026へのSKstarsの提出について述べる。 このタスクには、幻覚的文字幅を特定し、幻覚的カテゴリーを割り当て、予測に対する信頼度を推定するシステムが必要である。 提案手法は,Qwen2.5-VL-72B-インストラクトとLoRA適応Qwen2.5-VL-7B-インストラクトモデルのゼロショット予測を組み合わせる。 2つのモデルの出力は、軽量なアンサンブル手順で統合され、その後、洗練と信頼性の調整が行われる。 内部開発サブセットの主システムコンポーネントの評価を行い,提案システムの性能を公式の英語テストセットで報告する。 SKstarsのCor+Lblスコアは0.2902で、29チーム中15位、CorとIoUスコアは0.3642と0.3151でそれぞれ18位となった。 その結果, 大規模ゼロショットモデルとより小さい適応モデルを組み合わせることで, 多言語および細粒度の幻覚定位化のための実践的なフレームワークを提供するとともに, 隠れテストデータに開発セットの改善を移すことの難しさを強調した。 コードと予測:https://github.com/aliathar1401/SK-Stars-shroom-visions-2026

関連論文リスト

• SpanCalib-VLM: Calibrated Hallucination Span Detection in Vision-Language Models [0.24870920787157705]
  本稿では、SHROOM-Visions Shared TaskのためのハイブリッドデュアルシステムであるSpanCalib-VLMを提案する。 XLM-RoBERTa-LargeとSigLIPビジョンエンコーダをクロスアテンションで融合したマルチモーダルシーケンスタグと、微細調整された生成VLMを組み合わせる。 SHROOM-Visions による英語評価の分割では、我々のアンサンブルはピアソン校正相関0.41、全体的な IoU0.39、クリーンレスポンス IoU0.91、全体的な検出精度70.7%を達成している。
  論文  参考訳（メタデータ） (2026-08-30T19:00:31Z)
• Overview of SHROOM-Visions 2026: A Shared Task on Hallucination Detection in Large Vision-Language Models [19.79187126303009]
  2026年にはSHROOM-Visionsタスクシリーズの第4回(textbfShared-task on textbfHallucinations and textbfRelated textbfMistakes in textbfVision Language modeltextbfs)を開催した。 今回は,大規模視覚言語モデルに着目したモデル非依存検出タスクを通じて幻覚に対処する。 評価は、中国語、英語、フランス語の4言語にまたがる幻覚の5クラス分類を用いる
  論文  参考訳（メタデータ） (2026-08-26T11:44:35Z)
• "AGI" team at SHROOM-CAP: Data-Centric Approach to Multilingual Hallucination Detection using XLM-RoBERTa [2.444311666637296]
  本稿では,SHROOM-CAP 2025の9言語にわたる科学的幻覚検出タスクについて述べる。 既存の5つのデータセットを統合して、124,821のサンプル(50%の正解、50%の幻覚)からなる総合的なトレーニングコーパスを作成します。 我々の結果は、体系的なデータキュレーションがアーキテクチャの革新を単独で著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-11-23T05:48:27Z)
• HAD: HAllucination Detection Language Models Based on a Comprehensive Hallucination Taxonomy [48.68088917291552]
  NLGタスクにまたがる11のカテゴリからなる総合的な幻覚分類を導入する。 本稿では,幻覚検出,スパンレベル同定,修正を単一の推論プロセスに統合するHAllucination Detection (HAD)モデルを提案する。
  論文  参考訳（メタデータ） (2025-10-22T07:28:37Z)
• SPARC: Score Prompting and Adaptive Fusion for Zero-Shot Multi-Label Recognition in Vision-Language Models [74.40683913645731]
  Zero-shot Multi-label Recognition (MLR) with Vision-Language Models (VLMs) は、トレーニングデータ、モデルチューニング、アーキテクチャの変更なしに重要な課題に直面している。 我々の研究は、VLMをブラックボックスとして扱い、トレーニングデータや地上の真実を使わずにスコアを活用する新しいソリューションを提案する。 これらのプロンプトスコアの分析により、VLMバイアスとAND'/OR信号の曖昧さが明らかになり、特に、最高スコアは2番目に高いスコアに比べて驚くほど低い。
  論文  参考訳（メタデータ） (2025-02-24T07:15:05Z)
• VALOR-EVAL: Holistic Coverage and Faithfulness Evaluation of Large Vision-Language Models [57.43276586087863]
  LVLM(Large Vision-Language Models)は幻覚に悩まされ、このモデルでは可聴音を発生させるが、実際には誤出力を発生させる。 既存のベンチマークはスコープに限られており、主にオブジェクト幻覚に焦点を当てている。 対象,属性,関係を多次元のベンチマークで表現し,連想バイアスに基づいて画像を選択する。
  論文  参考訳（メタデータ） (2024-04-22T04:49:22Z)

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。