論文の概要: WeaveAgent: A Two-Stage Tool-Routing Agent for Ultra-High-Resolution Remote Sensing Imagery

• arxiv url: http://arxiv.org/abs/2609.31234v1
• Date: Fri, 25 Sep 2026 13:13:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.404388
• Title: WeaveAgent: A Two-Stage Tool-Routing Agent for Ultra-High-Resolution Remote Sensing Imagery
• Title（参考訳）: WeaveAgent:超高解像度リモートセンシングのための2段階ツールルーティングエージェント
• Abstract要約: 2段階のツールルーティングエージェントWeaveAgentは、視覚的な知覚からルーティングを分離する。 トレーニング: SFT、次にGRPOをR_WA2でアライメントする。 アライメントSFTは、外在経路を0%から80.75%(323/400)に引き上げ、GRPOはツールの選択が変更される間、9つの内在的ミスエミッションを抑制する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Problem. Ultra-high-resolution (UHR) remote sensing with vague user intents has two bottlenecks: visual tokens are expensive, and tool calling must be format-reliable (pretrained models emit zero tool calls zero-shot). Method. WeaveAgent, a two-stage tool-routing agent, decouples routing from visual perception. Stage A is routing-first: emission is trained, not elicited. Stage B executes conditionally: intrinsic queries enter visual answering (full-scene thumbnail; a WeaveEarth-style evidence board as an optional fixed-budget, approx. 5k-token compression interface); extrinsic queries execute tool call on original full-resolution imagery, answering from tool observations in a second, observation-masked round. Training: alignment SFT, then GRPO under reward R_WA2. Results. Alignment SFT lifts extrinsic routing from 0% to 80.75% (323/400); GRPO suppresses 9 intrinsic mis-emissions while tool selection is unchanged. The trained 2B system does not beat the zero-shot 8B baseline overall (0.263 vs. 0.250), a diagnostic contribution. Oracle attribution separates two repair ingredients: loading the observation into context lifts extrinsic answer accuracy from 0.025 to 0.425 under marker-free cross-mode returns, and the two-turn SFT stage adds a further +9.3 points to 0.518 at a small routing cost. A +/- image ablation shows emission suppression is visually grounded, and a query-register matrix shows LLM-rewritten queries cost trained checkpoints 2-11 points. Scope. All training and evaluation use the 5,000 / 3,273 / 1,000-record VagueUHR corpus (600 intrinsic + 400 tool-requiring; the base seeds synthesis and is not used for optimization). Single-pass evidence construction runs at 7.31 s per image on an RTX 4090. Code, data, and evaluation protocols will be released.
• Abstract（参考訳）: 問題。 超高解像度(UHR)リモートセンシングは、曖昧なユーザ意図を持つ2つのボトルネックがある。 方法。 2段階のツールルーティングエージェントであるWeaveAgentは、視覚的な知覚からルーティングを分離する。 ステージAはルーティングファーストで、エミッションはトレーニングされ、引き起こされません。 固有のクエリが視覚応答に入る(フルシーンサムネイル、オプションの固定予算としてWeaveEarthスタイルのエビデンスボード、約5kトーケン圧縮インターフェース)。 トレーニング: SFT、次にGRPOをR_WA2でアライメントする。 結果。 アライメントSFTは、外在経路を0%から80.75%(323/400)に引き上げ、GRPOはツール選択が変更される間、9つの内在的ミスエミッションを抑制する。 訓練された2Bシステムは、ゼロショットの8Bベースライン全体(0.263対0.250)を上回りません。 Oracle アトリビューションは2つの修復材料を分離している: 観測をコンテキストにロードすると、マーカーのないクロスモードのリターンで0.025から0.425までの外部応答精度が上昇し、2ターンのSFTステージは小さなルーティングコストで0.518にプラス9.3ポイントが加算される。 +/-画像アブレーションは、発光抑制を視覚的にグラウンド化し、クエリ登録行列は、LSM書き換えクエリのコストを2-11ポイントのトレーニングチェックポイントに表示する。 スコープ。 すべての訓練と評価には5,000 / 3,273 / 1,000-record VagueUHR corpus (600 intrinsic + 400 tool-requiring; 基本種合成と最適化には使用されていない)を使用する。 シングルパスエビデンスの構築はRTX 4090で1枚当たり7.31秒で動作する。 コード、データ、評価プロトコルがリリースされる。

関連論文リスト

• APEXA: Execution-Integrity Enforcement for Multi-Agent LLM Automation of Synchrotron Data Reduction [0.23332469289621782]
  我々は、デプロイされたマルチエージェントフレームワークであるAPEXA(異種計算上の61のツール、単一推論ループとして実行される)を提案する。 第一に、実行統合の強制: 実行されたツールコールによってバックアップされない結果をサーブすることを拒否するツール層ガードで、クロスモデルツールコールフォーマットのドリフトに耐性がある言語である。 第2にAPEXAベンチ(APEXA-Bench)を作成した。
  論文  参考訳（メタデータ） (2026-09-21T06:33:11Z)
• SchemaRouter: Field-Aware Tool Routing for Efficient Heterogeneous Agentic RAG [0.0]
  ツール、エンドポイント、パラメータ、レスポンスフィールド、ドメイン概念、ユニット、証明、およびライセンスポリシーをスキーマグラフとして表現する軽量なルーティング層を提供する。 110クエリの材料科学ベンチマークでは、オーバーラップした信頼区間内でのフェッチフルシングに一致する解の精度が0.71に達する。 227個の検索済みコンテキストトークンと2,066個のフェッチと2.7倍のエンド・ツー・エンドのレイテンシを使用する。
  論文  参考訳（メタデータ） (2026-07-03T02:03:22Z)
• 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)
• Never Seen Before: Benchmarking Genuine Zero-Shot Composed Image Retrieval with Consistent Video-Sourced Datasets [61.420656457977195]
  Zero-Shot Composed Image Retrieval (ZS-CIR) は、参照画像と相対キャプションからなるクエリに基づいて、サンプルをトレーニングせずにターゲット画像を取得することを目的としている。 既存のZS-CIRデータセットは、ノイズの多い画像ソースのため、参照画像とターゲット画像の完全な不一致に悩まされることが多い。 ZS-CIRの新しいベンチマークであるZeroSightを紹介する。
  論文  参考訳（メタデータ） (2026-06-05T08:23:25Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• When Does Sparse MoE Help in Vision? The Role of Backbone Compute Leverage in Sparse Routing [7.208745673318648]
  Mixture-of-Experts (MoE)ネットワークは精度の高いトレードオフを約束するが、現実的なビジョン展開は専門家の崩壊によって妨げられる。 ハードキャパシティ制約付き上位k$ルーティングが視覚分類に有効である場合について検討する。
  論文  参考訳（メタデータ） (2026-05-15T00:01:11Z)
• Real-Time Oriented Object Detection Transformer in Remote Sensing Images [36.48263676876599]
  本稿では,初のリアルタイム・エンドツーエンド指向オブジェクト検出装置であるリアルタイム指向オブジェクト検出変換器を提案する。 具体的には、角度の回帰を再構成するために、角度分布の微細化を提案する。 また、トレーニングを安定させ、4つのノイズモードを解析するために、指向性コントラストデノケーションを提案する。
  論文  参考訳（メタデータ） (2026-03-16T16:28:31Z)
• Outcome-Aware Tool Selection for Semantic Routers: Latency-Constrained Learning Without LLM Inference [12.135271159221178]
  Outcome-Aware Tool Selection (OATS)は、歴史的に成功したクエリのセントロイドへのツール埋め込みを補間する。 MetaTool (199tools, 4,287queries)では、NDCG@5が0.869から0.940に改善されている。 すべてのメソッドは、同じ保持された30%のテストスプリットで評価される。
  論文  参考訳（メタデータ） (2026-03-13T02:13:05Z)
• GeoEyes: On-Demand Visual Focusing for Evidence-Grounded Understanding of Ultra-High-Resolution Remote Sensing Imagery [69.05066425853326]
  シンキング・ウィズ・イメージ」パラダイムは、マルチモーダルな大規模言語モデル(MLLM)がズームインツールを使って視覚的なシーンを積極的に探索することを可能にする。 これは超高分解能(UHR)リモートセンシングVQAにおいて必須であり、タスク関連キューは疎小である。 筆者らは,(1)冷間開始型SFTデータセット, UHR-CoZ(UHR-CoZ)を多種多様なズームレジームをカバーするトレーニングフレームワークであるGeoEyes,(2)エージェント強化学習手法であるAdaZoom-GRPOを提案する。
  論文  参考訳（メタデータ） (2026-02-15T15:50:55Z)
• RSAgent: Learning to Reason and Act for Text-Guided Segmentation via Multi-Turn Tool Invocations [52.752467948588816]
  エージェント型マルチモーダル大規模言語モデル(MLLM)であるRSAgentを提案する。 RSAgentはセグメンテーション・ツールボックスをクエリし、視覚的フィードバックを観察し、歴史的観測を用いて空間仮説を改訂し、ターゲットを再ローカライズし、反復的にマスクを洗練させる。 RSAgentはReasonSegテストで66.5% gIoUのゼロショット性能を達成し、Seg-Zero-7Bを9%改善し、RefCOCOgで81.5% cIoUに達した。
  論文  参考訳（メタデータ） (2025-12-30T06:50:11Z)

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。