TerraAgent: Demonstration-Grounded Multi-Agent Reasoning for Long-Context Remote Sensing Visual Question Answering
Aggiunta all'archivio di AIChronos il (numero del 7 ottobre 2026 ricostruito)· fonte del · Jingwen Huang, Yiming Fang, Hanxiao Wu, Boyuan He, Keyi Luo
Il documento presenta AVA, un framework addestramento-libero che incapsula un modello linguistico multimodale remoto (RS MLLM) congelato per migliorare l'affidabilità delle risposte in compiti di Visual Question Answering. Il sistema affronta tre sfide principali: il recupero inadeguato di dimostrazioni da diverse fonti sensoriali, la propagazione degli errori nel ragionamento multi-step su contesti visivi lunghi e le risposte basate esclusivamente sulla conoscenza precedente (prior-only). AVA integra tre moduli specifici per mitigare questi problemi senza richiedere fine-tuning.
- GDR esegue il recupero di dimostrazioni basato sul bucketing della GSD, sui grafi delle scene e filtra quelle non supportate dalle immagini.
- MACE scompone le query in un DAG a domande secondarie tipizzate per evidenza, instradandole verso strumenti percettivi appropriati con verifica del provenienza.
- CVA audita la risposta finale tramite perturbazioni controfattuali delle evidenze citate e calcola uno score di dipendenza visiva per il ricalibramento della fiducia.
- Il framework riduce drasticamente il tasso di risposte prior-only (dal 46,2% al 21,7%) e le allucinazioni (dal 17,1% al 9,8%).
- L'approccio offre un miglioramento dell'accuratezza fino a 2.40 punti su benchmark come RSVQA-LR/HR con solo il costo computazionale di una singola forward pass.
Perché conta. Per gli sviluppatori che lavorano con agenti e LLM locali, questo approccio è cruciale perché dimostra come garantire la grounding visivo delle risposte senza costi proibitivi di fine-tuning o grandi quantità di dati aggiuntivi. La capacità di auditare le evidenze tramite perturbazioni controfattuali offre un meccanismo robusto per ridurre l'halucination in applicazioni reali che dipendono da prove concrete.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.