論文の概要: PhysNote: Self-Knowledge Notes for Evolvable Physical Reasoning in Vision-Language Model
- arxiv url: http://arxiv.org/abs/2604.24443v1
- Date: Mon, 27 Apr 2026 13:10:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:08.014069
- Title: PhysNote: Self-Knowledge Notes for Evolvable Physical Reasoning in Vision-Language Model
- Title（参考訳）: PhysNote:視覚言語モデルにおける進化可能な物理推論のための自己知識ノート
- Abstract要約: 我々は、視覚言語モデルが自己生成した「知識ノート」を通して身体的知識を外部化し、洗練することを可能にするエージェントフレームワークであるPhysNoteを提案する。
PhysNoteは階層的時間的正準化を通じて動的知覚を安定化させ、知識リポジトリに自己生成的な洞察を整理し、検証された知識を統合する前に視覚的証拠の仮説を根拠とする反復的推論ループを駆動する。
- 参考スコア（独自算出の注目度）: 18.848171847916696
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Vision-Language Models (VLMs) have demonstrated strong performance on textbook-style physics problems, yet they frequently fail when confronted with dynamic real-world scenarios that require temporal consistency and causal reasoning across frames. We identify two fundamental challenges underlying these failures: (1) spatio-temporal identity drift, where objects lose their physical identity across successive frames and break causal chains, and (2) volatility of inference-time insights, where a model may occasionally produce correct physical reasoning but never consolidates it for future reuse. To address these challenges, we propose PhysNote, an agentic framework that enables VLMs to externalize and refine physical knowledge through self-generated "Knowledge Notes." PhysNote stabilizes dynamic perception through spatio-temporal canonicalization, organizes self-generated insights into a hierarchical knowledge repository, and drives an iterative reasoning loop that grounds hypotheses in visual evidence before consolidating verified knowledge. Experiments on PhysBench demonstrate that PhysNote achieves 56.68% overall accuracy, a 4.96% improvement over the best multi-agent baseline, with consistent gains across all four physical reasoning domains.
- Abstract（参考訳）: VLM(Vision-Language Models)は、教科書スタイルの物理問題において強力な性能を示してきたが、時間的一貫性とフレーム間の因果推論を必要とする動的な現実のシナリオに直面すると、しばしば失敗する。
1) 物体が連続するフレーム間で物理的アイデンティティを失い、因果連鎖を破る時空間的アイデンティティドリフト、(2) 推論時の洞察のボラティリティ、そして、モデルが時に正しい物理的推論を生成するが、将来の再利用のためにそれを統合しない時空間的アイデンティティドリフトである。
これらの課題に対処するために,VLMが自己生成した「知識ノート」を通じて物理知識の外部化と洗練を可能にするエージェントフレームワークであるPhysNoteを提案する。
PhysNoteは時空間正準化を通じて動的知覚を安定化させ、自己生成的な洞察を階層的な知識リポジトリに整理し、検証された知識を統合する前に視覚的証拠を根拠とする反復的推論ループを駆動する。
PhysBenchの実験では、PhysNoteの全体的な精度は56.68%で、最高のマルチエージェントベースラインよりも4.96%向上し、4つの物理的推論領域で一貫した利得が得られた。
関連論文リスト
- Towards Physics-Faithful Generation of Scientific Diagrams [60.50428624576465]
プリンシグラム(Princigram)は、物理に忠実な科学的ダイアグラム生成装置である。
物理に忠実な科学的ダイアグラム生成装置であるPrincigramについて紹介する。
論文 参考訳（メタデータ） (2026-08-13T11:40:33Z) - PhysMRV: Physical Memory Retrieval and Verification for Physics Plausibility Reasoning [10.8081248403127]
ビデオ言語モデル(VLM)は,映像理解と視覚的質問応答において優れた性能を発揮している。
トレーニング不要な物理メモリと検証フレームワークであるPhysMRVを提案する。
論文 参考訳（メタデータ） (2026-07-11T08:06:04Z) - NICE FACT: Diagnosing and Calibrating VLMs in Quantitative Reasoning for Kinematic Physics [65.02899948986969]
この研究は、視覚言語モデルが物理的世界をどのように知覚するかを根本的に理解し、物理法則を活用することを目的としている。
運動物理学の量的推論を明示的に分解する双対診断パラダイムであるNICEとFACTを提案する。
NICEは、我々の新しい地区インフォームドキャリブレーション手法と、信頼性の評価とキャリブレーションのための新しいメトリクスについて研究する。
論文 参考訳（メタデータ） (2026-05-08T20:17:44Z) - ProPhy: Progressive Physical Alignment for Dynamic World Simulation [55.456455952212416]
ProPhyは、明示的な物理認識条件付けと異方性生成を可能にするプログレッシブ物理アライメントフレームワークである。
ProPhyは既存の最先端手法よりもリアルでダイナミックで物理的に一貫性のある結果が得られることを示す。
論文 参考訳（メタデータ） (2025-12-05T09:39:26Z) - LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference [57.086932851733145]
ビデオ拡散モデルにおける直感的な物理を評価するトレーニング不要な方法であるLikePhysを紹介した。
現在のビデオ拡散モデルにおける直観的物理理解のベンチマークを行う。
経験的結果は、現在のモデルが複雑でカオス的な力学に苦しむにもかかわらず、モデルキャパシティと推論設定スケールとしての物理理解の改善傾向が明らかであることを示している。
論文 参考訳（メタデータ） (2025-10-13T15:19:07Z) - ABench-Physics: Benchmarking Physical Reasoning in LLMs via High-Difficulty and Dynamic Physics Problems [21.278539804482012]
大規模言語モデル(LLM)は、数学やプログラミングのような領域で顕著なパフォーマンスを示している。
物理学は、正確な計算だけでなく、深い概念的理解と物理モデリングスキルも要求する固有の課題を提起する。
既存のベンチマークは、制限された難易度、複数選択フォーマット、静的評価設定のために、しばしば不足する。
論文 参考訳（メタデータ） (2025-07-07T08:43:56Z) - IntPhys 2: Benchmarking Intuitive Physics Understanding In Complex Synthetic Environments [26.02187269408895]
IntPhys 2は、ディープラーニングモデルの直感的な物理理解を評価するために設計されたビデオベンチマークである。
IntPhys 2は、永続性、不変性、時空間連続性、固さという、マクロ的なオブジェクトに関連する4つのコア原則に焦点を当てている。
論文 参考訳（メタデータ） (2025-06-11T15:21:16Z) - SeePhys: Does Seeing Help Thinking? -- Benchmarking Vision-Based Physics Reasoning [95.2886065291234]
物理問題に基づく推論のための大規模マルチモーダルベンチマークである SeePhys を提示する。
このベンチマークは、物理学の分野にまたがる7つの基本的な領域をカバーし、21のカテゴリの非常に異質なダイアグラムを取り入れている。
最も先進的な視覚推論モデル(例えばGemini-2.5-proやo4-mini)でさえ、ベンチマークで60%未満の精度を実現している。
論文 参考訳（メタデータ） (2025-05-25T11:28:34Z) - Reasoning Physical Video Generation with Diffusion Timestep Tokens via Reinforcement Learning [53.33388279933842]
本稿では,映像生成における物理的一貫性を実現するために,記号的推論と強化学習を統合することを提案する。
そこで我々は,Phys-ARフレームワークを提案する。第1段階は教師付き微調整を用いて記号的知識を伝達し,第2段階はモデルの推論能力の最適化に強化学習を適用する。
提案手法により,生成したビデオの物理的特性を動的に調整し,改善し,物理法則の遵守を確保することができる。
論文 参考訳（メタデータ） (2025-04-22T14:20:59Z)
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。