論文の概要: Zephyrus-R1: Agentic Reinforcement Learning for Weather Reporting

• arxiv url: http://arxiv.org/abs/2610.25625v1
• Date: Mon, 19 Oct 2026 01:05:16 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:34:21.715572
• Title: Zephyrus-R1: Agentic Reinforcement Learning for Weather Reporting
• Title（参考訳）: Zephyrus-R1: 気象予報のためのエージェント強化学習
• Abstract要約: Zephyrus-R1は、科学天気予報に関する強化学習のためのフレームワークである。 気象ルーブリックと双方向のクレームを含む報酬関数を設計する。 LLMの審査員が作成した請求ラベルを監査するために、3人の気象学者のアノテーションを使用します。
• 参考スコア（独自算出の注目度）: 40.99996678730003
• License:
• Abstract: Reinforcement learning (RL) has emerged as a key method for training AI models in scientific applications, but RL remains difficult when outputs cannot easily be verified against a known ground-truth answer. Natural-language weather forecast reports are one such domain: they translate atmospheric data into assessments of weather evolution, hazards, and uncertainty for both the general public and key decision-makers. Unlike numerical weather-analysis questions, they admit many valid outputs, which limits deterministic verification. To address this, we develop Zephyrus-R1, a practical framework for RL on scientific weather forecast reporting. We focus on three key components of the agentic RL pipeline: reward design, curriculum learning, and an analysis of human-expert alignment. To encourage both report legibility and factual accuracy, we design a reward function that combines a meteorological rubric with bidirectional claim entailment, both evaluated against National Weather Service reference reports. Our framework optimizes this reward in a simulated tool-calling environment, enabling vision-language agents to gather and analyze forecast evidence across regions and lead times before producing a report. We use annotations from three meteorologists to audit the claim labels produced by our LLM judges. Finally, a curriculum helps small models first develop tool use and scientific reasoning through RL on verifiable weather-analysis questions, then optimize the open-ended report reward. After training Qwen3.5-4B with Zephyrus-R1, we improve the mean across six judge-metric scores by 26% over the base model and achieve results competitive with frontier open-weight models. For Qwen3.8-27B, we improve the same mean by 13% over the base model, by 6.7% over Kimi-K3, and by 2.7% over GPT-5.6-Luna.
• Abstract（参考訳）: 強化学習(Reinforcement Learning, RL)は、科学応用においてAIモデルを訓練する鍵となる手法として登場したが、出力が既知の根本真正解に対して容易に検証できない場合、RLは依然として困難である。 自然言語による天気予報は、大気データを一般大衆と重要な意思決定者の両方にとって、天候の進化、危険、不確実性の評価に翻訳する。 数値的な気象分析問題とは異なり、多くの有効な出力を認めており、決定論的検証を制限している。 そこで我々は,科学天気予報に関するRLの実践的枠組みであるZephyrus-R1を開発した。 我々はエージェントRLパイプラインの3つの重要な要素、報酬設計、カリキュラム学習、人間-専門家のアライメントの分析に焦点を当てた。 本研究では,気象ルーリックと双方向のクレームを組み合わせた報奨関数を,気象庁の基準報告に対して評価し,報告の正当性と事実精度の両立を図った。 本フレームワークは, シミュレーションツールコール環境において, この報奨を最適化し, 視覚言語エージェントがレポート作成前に, 地域ごとの予測証拠を収集し, 分析することを可能にする。 LLMの審査員が作成した請求ラベルを監査するために、3人の気象学者のアノテーションを使用します。 最後に、カリキュラムは、小さなモデルで最初に、検証可能な気象分析の質問についてRLを通してツールの使用と科学的推論を開発し、そしてオープンエンドのレポート報酬を最適化するのに役立つ。 Qwen3.5-4BをZephyrus-R1でトレーニングした後、6つの判定基準スコアの平均値をベースモデルで26%改善し、フロンティアのオープンウェイトモデルと競合する結果を得た。 Qwen3.8-27Bでは、ベースモデルよりも13%、Kim-K3より6.7%、GPT-5.6-Lunaより2.7%改善しています。

関連論文リスト

• Modular Deep Learning Mechanisms for Auditable Next-Day Wildfire Spread Prediction [1.3459501570213257]
  翌日の山火事の予測には、その計算に使用される仮定や歴史的証拠と共に予測を評価できるモデルが必要である。 本研究は次のアクティブファイア予測のための3つのモジュラ拡張について検討する。
  論文  参考訳（メタデータ） (2026-09-15T19:12:06Z)
• AFDBench: A Reasoning-First AI Scientist for NationalWeather Service Forecast Discussions [0.24629531282150877]
  大規模言語モデル (LLMs) は、高精度な気象テキストを生成する際に、数値を幻覚させる。 AFDBenchというAI気象学者は、構造化されたAI天気予報データを通して推論することで、専門的なエリア予測討論(AFD)を生成する。
  論文  参考訳（メタデータ） (2026-08-25T02:02:24Z)
• Critique-GRPO: Advancing LLM Reasoning with Natural Language and Numerical Feedback [59.078756231841574]
  Critique-GRPOは、自然言語と数値フィードバックを統合して効果的なポリシー最適化を行うオンラインRLフレームワークである。 批判-GRPOは、教師付き学習とRLに基づく微調整法を8つの難解な数学、STEM、一般的な推論タスクで一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-06-03T17:39:02Z)
• Reinforcement Learning for Reasoning in Large Language Models with One Training Example [117.86853102104256]
  1つのトレーニング例(1ショットRLVR)を用いた強化学習は,大規模言語モデル(LLM)の算数推論能力の向上に有効であることを示す。 1ショットRLVRにおける興味深い現象として、クロスカテゴリの一般化、自己回帰の頻度の増加、テスト性能の向上の持続などを挙げる。
  論文  参考訳（メタデータ） (2025-04-29T09:24:30Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• WF-UNet: Weather Fusion UNet for Precipitation Nowcasting [4.213427823201119]
  ヨーロッパ西部の降水量計におけるUNetコアモデルの利用とその拡張について, 最大3時間前に検討した。 我々は2016年1月から2021年12月までの6年間の降水と風のレーダー画像を収集しました。 WF-UNetは、それぞれ22%、8%、6%の低いMSEを1,2,3時間で比較した。
  論文  参考訳（メタデータ） (2023-02-08T14:50:52Z)

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。