論文の概要: Is In-Domain Training Enough for Fine-Grained Industrial Anomaly Understanding?

• arxiv url: http://arxiv.org/abs/2610.12310v1
• Date: Thu, 08 Oct 2026 16:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.196613
• Title: Is In-Domain Training Enough for Fine-Grained Industrial Anomaly Understanding?
• Title（参考訳）: インドメイントレーニングは細粒産業の異常理解に十分か?
• Abstract要約: 単一のマルチモーダルな大言語モデル(MLLM)は、検出、ローカライゼーション、記述、推論において同時に優れている。 異種MLLMエージェントと専用視覚欠陥専門家の労力を分割する空間接地型マルチエージェントフレームワークSiGMAを提案する。 SiGMAはMMADの平均精度85.2%に達し、最強の訓練専門家とジェミニ2.5-Proより4.0%高く、人間の専門家の1.5%以内である。
• 参考スコア（独自算出の注目度）: 9.635380492821419
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A single multimodal large language model (MLLM) struggles to excel simultaneously at detection, localization, description, and reasoning in multimodal industrial anomaly understanding (MM-IAU). We show that in-domain training does not close this gap. On MMAD, a widely adopted MM-IAU benchmark, trained specialists reach at most 75.5% accuracy in defect localization, against 92.3% for human experts, and even detect anomalies less accurately than their untrained base model. Meanwhile, different MLLMs offer complementary strengths but share this weakness in fine-grained perception, so combining them alone cannot remove it. We therefore propose SiGMA, a spatially grounded multi-agent framework that divides labor between heterogeneous MLLM agents and a dedicated visual defect expert. A multimodal searcher supplies industrial knowledge and normal references, the defect expert turns query-reference comparison into calibrated anomaly evidence, and a label-free reliability controller weighs each source by task-wise competence and query-level evidence quality. SiGMA reaches 85.2% average accuracy on MMAD, 4.0% above the strongest trained specialist and Gemini-2.5-Pro and within 1.5% of human experts. Even with three agents of at most 9B parameters, it reaches 84.4%, and new MLLMs join without retraining.
• Abstract（参考訳）: 単一マルチモーダル大規模言語モデル(MLLM)は,マルチモーダル産業異常理解(MM-IAU)において,検出,局所化,記述,推論の同時実行に苦慮している。 ドメイン内のトレーニングは、このギャップを埋めないことを示す。 広く採用されているMM-IAUベンチマークであるMMADでは、訓練された専門家が欠陥の局所化において75.5%の精度で到達し、92.3%が人間の専門家であり、訓練されていないベースモデルよりも精度の低い異常を検出する。 一方、異なるMLLMは相補的な強みを提供するが、この弱点をきめ細かな知覚で共有するので、それらを組み合わせるだけでそれを取り除くことはできない。 そこで我々は、異種MLLMエージェントと専用視覚欠陥専門家の労力を分割する空間的基盤を持つマルチエージェントフレームワークSiGMAを提案する。 マルチモーダルサーチは、産業知識と通常の参照を供給し、欠陥専門家は、クエリ参照比較を校正された異常証拠に変換し、ラベルのない信頼性コントローラは、各ソースをタスクワイズ能力とクエリレベルエビデンスの品質で評価する。 SiGMAはMMADの平均精度85.2%に達し、最強の訓練専門家とジェミニ2.5-Proより4.0%高く、人間の専門家の1.5%以内である。 最低でも9Bパラメータの3つのエージェントであっても84.4%に達し、新しいMLLMは再訓練せずに結合する。

関連論文リスト

• InSituMeasure: Probing Situated Measurement Grounding in Industrial Scenes with Multimodal Large Language Models [28.855474305168624]
  InSituMeasureは位置測定グラウンドを評価するツールである。 プロのエンジニアリング機器の8つの機能カテゴリにまたがる、実際の産業監視シーンは2,922箇所ある。 24の最先端MLLMのうち、最良のモデルは25.7%のジョイントバリューユニット精度と51.8%の信頼診断F1に達する。
  論文  参考訳（メタデータ） (2026-09-03T15:54:21Z)
• Why Do Multi-Agent LLM Systems Fail? [87.90075668488434]
  MAST-Dataは7つの人気のあるMASフレームワークで収集された1600以上の注釈付きトレースの包括的なデータセットである。 我々はMAST(Multi-Agent System Failure Taxonomy)を初めて構築する。 MASTとMAST-Dataを利用して、モデル(GPT4、Claude 3、Qwen2.5、CodeLlama)とタスク(コーディング、数学、汎用エージェント)の障害パターンを分析します。
  論文  参考訳（メタデータ） (2025-03-17T19:04:38Z)
• Exploring Response Uncertainty in MLLMs: An Empirical Evaluation under Misleading Scenarios [49.53589774730807]
  マルチモーダル大規模言語モデル(MLLM)は近年,視覚的質問応答から映像理解に至るまでのタスクにおいて,最先端のパフォーマンスを実現している。 12件のオープンソースMLLMが, 単一の偽装キューを受けた65%の症例において, 既往の正解を覆した。
  論文  参考訳（メタデータ） (2024-11-05T01:11:28Z)
• MMAD: A Comprehensive Benchmark for Multimodal Large Language Models in Industrial Anomaly Detection [66.05200339481115]
  本稿では,産業異常検出における最初のフルスペクトルMLLMベンチマークであるMMADを提案する。 産業検査におけるMLLMの7つの重要なサブタスクを定義し,MMADデータセットを生成するための新しいパイプラインを設計した。 MMADを用いて,様々な最先端MLLMの包括的,定量的評価を行った。
  論文  参考訳（メタデータ） (2024-10-12T09:16:09Z)
• How Easy is It to Fool Your Multimodal LLMs? An Empirical Analysis on Deceptive Prompts [54.07541591018305]
  提案するMAD-Benchは,既存のオブジェクト,オブジェクト数,空間関係などの5つのカテゴリに分割した1000の試験サンプルを含むベンチマークである。 我々は,GPT-4v,Reka,Gemini-Proから,LLaVA-NeXTやMiniCPM-Llama3といったオープンソースモデルに至るまで,一般的なMLLMを包括的に分析する。 GPT-4oはMAD-Bench上で82.82%の精度を達成するが、実験中の他のモデルの精度は9%から50%である。
  論文  参考訳（メタデータ） (2024-02-20T18:31:27Z)

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。