AgriPestDatabase-v1.0：用于训练农业大语言模型的结构化昆虫数据集
人工智能
2026-03-25 v1
摘要
农业害虫管理日益依赖及时准确地获取专家知识，但高质量标注数据和持续专家支持仍然有限，特别是对于在不稳定/无互联网连接条件下运营的农村地区农民。与此同时，AI和LLM的快速发展为通过紧凑且可部署的系统直接向农业终端用户交付实用决策支持工具创造了新机会。本工作解决了(i)生成结构化昆虫信息数据集，以及(ii)通过微调适配轻量级LLM模型(≤7B)用于农业害虫管理的边缘设备使用。文本数据收集通过审阅和收集九种选定害虫物种的可用害虫数据库和已发表手稿中的信息完成。这些结构化报告随后由领域专家审阅和验证。从这些报告中，我们构建了Q/A对以支持模型训练和评估。采用了基于LoRA的微调方法对多个轻量级LLM进行了评估。初步评估显示，Mistral 7B在领域特定Q/A任务上达到88.9%的通过率，显著优于Qwen 2.5 7B(63.9%)和LLaMA 3.1 8B(58.7%)。值得注意的是，Mistral表现出更高的语义对齐度(嵌入相似度：0.865)，尽管词汇重叠度较低(BLEU：0.097)，这表明在专业领域中，语义理解和鲁棒推理比表面级一致性更能预测任务成功。通过结合专家组织的数据、结构化Q/A对、语义质量控制和高效的模型适配，本工作为面向农民的农业决策支持工具提供了支持，并展示了部署紧凑、高性能语言模型用于实际田间害虫管理指导的可行性。
引用
@article{arxiv.2603.22777,
title = {AgriPestDatabase-v1.0: A Structured Insect Dataset for Training Agricultural Large Language Model},
author = {Yagizhan Bilal Durak and Ahsan Ul Islam and Shahidul Islam and Ashley Morgan-Olvera and Iftekhar Ibne Basith and Syed Hasib Akhter Faruqui},
journal= {arXiv preprint arXiv:2603.22777},
year = {2026}
}
备注
Accepted in Artificial Super Intelligence Conference 2026 (Sponsored by KSU PLOT & IEEE CIS)