CGU-ILALab 在 FoodBench-QA 2026：食谱营养素估计的传统方法与基于 LLM 的方法比较
计算与语言
2026-05-14 v1 人工智能
摘要
由于成分术语的模糊性和数量表达的高度可变性，从非结构化食谱文本中进行准确的营养素估计是膳食监测中一个重要且具挑战性的问题。我们系统评估了涵盖广泛表示能力的模型，从词法匹配方法（TF-IDF 与 Ridge Regression），到深度语义编码器（DeBERTa-v3），再到大语言模型 (LLM) 的生成式推理。在 EU Regulation 1169/2011 定义的严格容差标准下，我们的实证结果揭示了预测准确率与计算效率之间的明显权衡。TF-IDF 基线以近乎瞬时的推理实现了中等的营养素估计性能，而 DeBERTa-v3 编码器在任务特定数据稀缺的情况下表现不佳。相比之下，少样本 LLM 推理（例如 Gemini 2.5 Flash）和混合 LLM 优化流水线（TF-IDF 结合 Gemini 2.5 Flash）在所有营养素类别中提供了最高的验证准确率。这些改进可能源于 LLM 利用预训练世界知识来解析模糊术语并归一化非标准单位的能力，而这对于纯词法方法而言仍然困难。然而，这些增益是以大幅增加的推理延迟为代价的，突显了膳食监测系统中实时效率与营养精度之间的实际部署权衡。
引用
@article{arxiv.2604.25774,
title = {CGU-ILALab at FoodBench-QA 2026: Comparing Traditional and LLM-based Approaches for Recipe Nutrient Estimation},
author = {Wei-Chun Chen and Yu-Xuan Chen and I-Fang Chung and Ying-Jia Lin},
journal= {arXiv preprint arXiv:2604.25774},
year = {2026}
}
备注
Accepted by the Third Workshop on Patient-oriented Language Processing (CL4Health) at LREC 2026