في عالم الزراعة، يُعتبر تشخيص أمراض المحاصيل خطوة حاسمة للحفاظ على الإنتاجية وجودة الزراعة. ولكن، يواجه الممارسون مشكلتين متكررتين ترتبطان بفعالية النماذج المستخدمة في التشخيص، حيث غالبًا ما تبدو النتائج دقيقة على الورق لكنها تُنتج أسماء أنواع غير صحيحة، وعندما تكون التوقعات صحيحة، فإن الأسباب وراء هذه التوقعات غالبًا ما تكون بعيدة عن متناول الممارس.
ما هو Agri-CPJ؟
يقدم Agri-CPJ (Caption-Prompt-Judge) إطارًا مبتكرًا لتشخيص آفات المحاصيل، يعمل من دون الحاجة للتدريب المسبق، حيث يقوم نموذج رؤية-لغة كبير بتوليد وصف هيكلي للمظهر، محسّن بشكل تكراري عبر تقييم متنوع للجودة قبل الإجابة عن أي سؤال تشخيصي. يتم توليد إجابتين محتملتين من زوايا complementary، ويتم اختيار الأجوبة الأقوى بواسطة نموذج لغة القاضي (LLM) بناءً على معايير محددة في المجال.
نتائج مذهلة
لقد أظهرت الأبحاث أن تحسين الوصف الهيكلي هو العنصر الأكثر تأثيرًا، حيث أثبتت الدراسات أنه عند تخطي خطوة التحسين، يتدهور الأداء دائمةً عبر النماذج المختلفة. على سبيل المثال، أدت المقارنة بين نموذج GPT-5-Nano المجهز بوصف تولده GPT-5-mini إلى زيادة 22.7 نقطة مئوية في تصنيف الأمراض و19.5 نقطة في درجات أسئلة الإجابات (QA) بالمقارنة مع النماذج التي لا تستخدم الأوصاف.
شغف وفهم وشفافية
يتميز Agri-CPJ بوجود مسار تدقيق قابل للقراءة، مما يمكّن الممارسين من تفهم التشخيصات بشكل أفضل. وأي ممارس قد يختلف مع التشخيص، يمكنه تحديد الملاحظة الوصفية التي كانت غير صحيحة.
هل أنت مستعد لتجربة Agri-CPJ؟
هل أنت مزارع أو خبير في الزراعة وتبحث عن حلول مبتكرة؟ فكر في كيفية استخدام Agri-CPJ لتحسين دقة تشخيص آفات المحاصيل لديك!
[للمزيد من المعلومات والإطلاع على الكود والبيانات، يمكنك زيارة الرابط](https://github.com/CPJ-Agricultural/CPJ-Agricultural-Diagnosis)