論文の概要: AgriJev: Efficient Agricultural Candidate Scoring with Multi-Scale Adapted Models

• arxiv url: http://arxiv.org/abs/2610.19478v1
• Date: Wed, 14 Oct 2026 02:56:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.927261
• Title: AgriJev: Efficient Agricultural Candidate Scoring with Multi-Scale Adapted Models
• Title（参考訳）: AgriJev: マルチスケール適応モデルによる効率的な農業候補選別
• Abstract要約: 本稿では, 0.8B, 2B, 4B, 9Bで適応型Qwen3.5モデルのファミリーであるAgriJevを紹介する。 農業用テキストの共有インターフェース条件、判断問題、候補定義、返却スコアと相対確率を1回の電話で表す。 17の外部テストビューで、AgriJev-9Bは75.44%の平均精度に達し、原型およびSFTジェネレータを5.89と3.79ポイント上回った。
• 参考スコア（独自算出の注目度）: 2.1010398528585825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agricultural systems make decisions over heterogeneous entity types, textual judgments, and knowledge-question options. Generating a textual answer adds decoding and extraction steps to decisions that ultimately require a candidate choice. We introduce AgriJev, a family of adapted Qwen3.5 models at 0.8B, 2B, 4B, and 9B. A shared interface conditions on agricultural text, a judgment question, and candidate definitions, returning scores and relative probabilities in one forward call. We prepare source-aware training records and frozen evaluations from existing agricultural resources, retaining original groups and annotation provenance. Comparisons include original Qwen3.5 models and matched agricultural SFT models, both evaluated through native answer generation. Across 17 external test views, AgriJev-9B reaches 75.44% mean accuracy, exceeding the original and SFT generators by 5.89 and 3.79 percentage points. It outperforms the original generator on 13 views and narrows the mean gap to hosted Jev 1.13.0. On a fixed A100 workload, its median scoring latency is approximately half that of same-scale answer generation. Task-dependent gains and failures characterize a practical choice among agricultural model weights and inference contracts.
• Abstract（参考訳）: 農業システムは異質な実体のタイプ、テキストによる判断、知識を追求するオプションについて決定を行う。 テキスト回答の生成は、最終的に候補選択を必要とする決定にデコードと抽出のステップを追加する。 本稿では, 0.8B, 2B, 4B, 9Bで適応型Qwen3.5モデルのファミリーであるAgriJevを紹介する。 農業用テキストの共有インターフェース条件、判断問題、候補定義、返却スコアと相対確率を1回の電話で表す。 我々は,既存の農業資源からソース・アウェア・トレーニング記録と凍結評価を作成し,原産地群と注釈証明を維持した。 比較にはオリジナルのQwen3.5モデルとマッチングされた農業用SFTモデルが含まれており、どちらもネイティブな回答生成によって評価されている。 17の外部テストビューで、AgriJev-9Bは75.44%の平均精度に達し、原型およびSFTジェネレータを5.89と3.79ポイント上回った。 13ビューでオリジナルのジェネレータを上回り、ホストされているJev 1.13.0に平均的なギャップを狭める。 固定されたA100ワークロードでは、その中央値のスコアリングレイテンシは、同じスケールの回答生成の約半分である。 タスク依存の利得と失敗は、農業モデルの重みと推論契約の実践的な選択を特徴付ける。

関連論文リスト

• Benchmarking System One decision models against trained classifiers and language models for automated decision gates [1.089614199781423]
  1つのハーネスは6つのファミリーから8つの決定モデルチェックポイントを送信する。 タスクラベルでは、細調整されたDeBERTa-v3-largeが最も精度が高い。 その結果、自動決定ゲートの条件依存ルールが得られる。
  論文  参考訳（メタデータ） (2026-09-29T19:57:59Z)
• Marginal Fidelity Does Not Establish User Simulation in Demographic Synthetic Survey Panels: Response Contracts, Support Collapse and Conditioning Failure [51.736723807086385]
  人口密着協定は、個別のシミュレーションの証拠ではなく、エスカレーション契約の証拠であり、シミュレーションされた回答者なしで得られる推定値である。 9つのアライメントされたモデルバッテリペアでは、非個人個体数のクエリの平均は6.27 MAE対12.39であり、9つの比較すべてで勝利する。
  論文  参考訳（メタデータ） (2026-09-07T10:22:22Z)
• AgroTools: A Benchmark for Tool-Augmented Multimodal Agents in Agriculture [26.271517444177363]
  AgroToolsは、農業におけるツール強化マルチモーダルエージェントを評価するためのベンチマークである。 AgroToolsには539の質問応答インスタンスと1,097の異種農業画像が組み合わされている。 その結果、現在のモデルでは、農業用ツールの使用状況がそれほど信頼できないことが判明した。
  論文  参考訳（メタデータ） (2026-05-21T11:58:54Z)
• AgroVG: A Large-Scale Multi-Source Benchmark for Agricultural Visual Grounding [8.14714857077801]
  一般化された集合予測として農業接地を定式化するベンチマークである textbfAgroVG を導入する。 AgroVGは6つのファミリーすべてにわたるバウンディングボックスのグラウンドと、信頼できるインスタンスレベルのピクセルアノテーションを持つソースに基づくインスタンスマスクグラウンドをサポートする。
  論文  参考訳（メタデータ） (2026-05-21T06:10:58Z)
• AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
  本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。 我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。 CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。 対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
  論文  参考訳（メタデータ） (2026-03-08T17:28:01Z)
• Qwen3-ASR Technical Report [71.87071808763484]
  2つの強力なオールインワン音声認識モデルと、新しい非自己回帰音声強制アライメントモデルを含むQwen3-ASRファミリを紹介する。 Qwen3-ASR-1.7BとQwen3-ASR-0.6Bは、言語識別と52の言語および方言のASRをサポートするASRモデルである。
  論文  参考訳（メタデータ） (2026-01-29T06:58:13Z)
• Agri-R1: Empowering Generalizable Agricultural Reasoning in Vision-Language Models with Reinforcement Learning [22.34625628938106]
  我々は,農業用大規模モデルであるtextbfAgri-R1を提案する。 我々のフレームワークは、視覚言語合成とLLMに基づくフィルタリングによる高品質な推論データを生成する。 疾患認識の精度は+23.2%、農業知識のQAは+33.3%、クロスドメインの一般化は+26.10ポイント向上した。
  論文  参考訳（メタデータ） (2026-01-08T07:34:37Z)
• AgriEval: A Comprehensive Chinese Agricultural Benchmark for Large Language Models [19.265932725554833]
  本稿では,中国初の総合農業ベンチマークであるAgriEvalを提案する。 AgriEvalは6つの主要な農業カテゴリーと29の農業部門をカバーし、4つの中核的な認知シナリオに対処している。 AgriEvalは14,697の質問と2,167のオープンエンドの質問と回答からなる。
  論文  参考訳（メタデータ） (2025-07-29T12:58:27Z)
• Generative Judge for Evaluating Alignment [84.09815387884753]
  本稿では,これらの課題に対処するために,13Bパラメータを持つ生成判断器Auto-Jを提案する。 我々のモデルは,大規模な実環境シナリオ下でのユーザクエリとLLM生成応答に基づいて訓練されている。 実験的に、Auto-Jはオープンソースモデルとクローズドソースモデルの両方を含む、強力なライバルのシリーズを上回っている。
  論文  参考訳（メタデータ） (2023-10-09T07:27:15Z)

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。