論文の概要: FLOORA: A Human-Aligned Domain-Specific Language Model for Architectural Design

• arxiv url: http://arxiv.org/abs/2609.36064v1
• Date: Mon, 28 Sep 2026 18:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.933558
• Title: FLOORA: A Human-Aligned Domain-Specific Language Model for Architectural Design
• Title（参考訳）: FLOORA: アーキテクチャ設計のためのドメイン特化言語モデル
• Abstract要約: アーキテクチャレイアウト生成のための小さなドメイン固有言語であるFLOORAを紹介する。 特殊なデータとアライメントによって、当社の0.6Bモデルは、はるかに大きなフロンティアモデルよりも優れています。 人間の評価はこれらの結果と相関し、FLOORAは89.3%の評価で最良のモデルに選ばれた。
• 参考スコア（独自算出の注目度）: 5.138999534381626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models are powerful generators, but many engineering domains require structured representations that general-purpose systems handle poorly. We introduce FLOORA (Floor Layout Optimization with RL Alignment), a family of small domain-specific language (DSL) models for architectural layout generation. With specialized data and alignment, our 0.6B model outperforms much larger frontier models, achieving VLM judge win rates up to 92.0% on out-of-distribution real-world buildings and 96.0% on synthetic buildings. Human evaluations further corroborate these results, with FLOORA selected as the best model in 89.3% of evaluations. FLOORA combines a token-efficient DSL, custom tokenization, domain-specific pretraining, supervised fine-tuning (SFT), and reinforcement learning (RL) with learned human-preference and verifiable rewards. This pipeline improves architectural and geometric validity, supported by extensive empirical evaluation and ablation studies. Although focused on architecture, our results suggest that similar domain-specific recipes may be useful in other engineering domains with structured, verifiable outputs. Datasets, models, and inference code are available at https://github.com/AutodeskAILab/floora.
• Abstract（参考訳）: 基礎モデルは強力なジェネレータであるが、多くの工学領域では汎用システムがうまく扱えないような構造化された表現を必要とする。 FLOORA(Floor Layout Optimization with RL Alignment)は、アーキテクチャレイアウト生成のための小さなドメイン固有言語(DSL)モデルのファミリーである。 特殊なデータとアライメントにより、当社の0.6Bモデルはフロンティアモデルよりも優れており、VLM審査員の勝利率は、分配外の現実世界の建物では92.0%、合成建物では96.0%である。 FLOORAは89.3%の評価で最高のモデルに選ばれた。 FLOORAはトークン効率のよいDSL、カスタムトークン化、ドメイン固有の事前トレーニング、教師付き微調整(SFT)、強化学習(RL)と学習された人間の嗜好と検証可能な報酬を組み合わせる。 このパイプラインは、広範な経験的評価とアブレーション研究によって支持され、建築的および幾何学的妥当性を向上させる。 アーキテクチャに焦点が当てられているが、我々の結果は、類似のドメイン固有のレシピが、構造化された検証可能な出力を持つ他のエンジニアリングドメインで有用である可能性を示唆している。 データセット、モデル、推論コードはhttps://github.com/AutodeskAILab/floora.comで入手できる。

関連論文リスト

• PRUE: A Practical Recipe for Field Boundary Segmentation at Scale [50.194423500109025]
  本研究では,大域境界線決定のためのセグメント化と地理空間基盤モデル(GFM)を初めて体系的に評価する。 U-Netセマンティックセマンティックセグメンテーションモデルは、パフォーマンスとデプロイメントのメトリクスのスイートにおいて、インスタンスベースとGFMの代替よりも優れています。 我々のアプローチは、モデル設計、トレーニング、推論にまたがる、信頼性があり、スケーラブルで再現可能なフィールド境界記述のための実践的なフレームワークを提供します。
  論文  参考訳（メタデータ） (2026-03-28T02:47:46Z)
• DapperFL: Domain Adaptive Federated Learning with Model Fusion Pruning for Edge Devices [43.06053432074504]
  エッジコンピューティング環境では、フェデレートラーニング(FL)が機械学習のパラダイムとして注目されている。 複数のドメインにわたるモデル性能を向上させるために,異種FLフレームワークDapperFLを提案する。 異種クライアントを持つ現実世界のFLプラットフォーム上でDapperFLを実装した。
  論文  参考訳（メタデータ） (2024-12-08T05:50:04Z)
• Personalized Federated Fine-Tuning for LLMs via Data-Driven Heterogeneous Model Architectures [23.45003063073793]
  フェデレートラーニング(FL)は、生データにアクセスすることなく、大規模言語モデルの協調的な微調整を可能にする。 既存のファインチューニングへのアプローチは通常、一様モデルアーキテクチャを採用する。 データ駆動の異種モデルアーキテクチャを実現する軽量なパーソナライズFLフレームワークであるFedAMoLEを提案する。
  論文  参考訳（メタデータ） (2024-11-28T13:20:38Z)
• FRoundation: Are Foundation Models Ready for Face Recognition? [8.045296450065019]
  ファウンデーションモデルが特定の顔認識領域(FR)に適しているかを検討する。 合成データを含むデータ可用性の異なるレベルにまたがって、これらのモデルのFRへの適用を提案、実証する。 この結果から, 汎用性にもかかわらず, 事前学習された基礎モデルは, この課題に特化して訓練された類似アーキテクチャと比較すると, FRにおいて性能が劣る傾向が示唆された。
  論文  参考訳（メタデータ） (2024-10-31T11:21:21Z)
• Ensemble architecture in polyp segmentation [0.0]
  本研究では, 意味的セグメンテーションのアーキテクチャと, ポリープセグメンテーションに優れた評価モデルについて検討する。 最適な結果を得るために,異なるモデルの利点を利用する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-14T02:57:38Z)
• Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
  PropEnは'matching'にインスパイアされている。 一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
  論文  参考訳（メタデータ） (2024-05-28T11:30:19Z)
• How Far Can Camels Go? Exploring the State of Instruction Tuning on Open Resources [117.6496550359768]
  この研究は、オープンな命令追従データセットにおける命令チューニング言語モデルの最近の進歩を探求する。 我々は、12の命令データセットに基づいて訓練された6.7Bから65Bのパラメータを含む、命令調整されたモデルの大規模なセットを提供する。 それらの事実的知識、推論、多言語性、コーディング、そしてその後に続くオープン・エンド・インストラクションに基づいて評価する。
  論文  参考訳（メタデータ） (2023-06-07T19:59:23Z)
• FlowNAS: Neural Architecture Search for Optical Flow Estimation [65.44079917247369]
  本研究では,フロー推定タスクにおいて,より優れたエンコーダアーキテクチャを自動で見つけるために,FlowNASというニューラルアーキテクチャ探索手法を提案する。 実験の結果、スーパーネットワークから受け継いだ重み付きアーキテクチャは、KITTI上で4.67%のF1-allエラーを達成していることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T09:05:25Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。