Fugu-MT 論文翻訳(概要): VT-Bench: A Unified Benchmark for Visual-Tabular Multi-Modal Learning

論文の概要: VT-Bench: A Unified Benchmark for Visual-Tabular Multi-Modal Learning

arxiv url: http://arxiv.org/abs/2605.08146v1
Date: Sun, 03 May 2026 09:33:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:49.395338
Title: VT-Bench: A Unified Benchmark for Visual-Tabular Multi-Modal Learning
Title（参考訳）: VT-Bench:Visual-Tabular Multi-Modal Learningのための統一ベンチマーク
Abstract要約: textitVT-Benchは視覚・タブラル識別予測と生成的推論タスクを標準化するための最初の統一ベンチマークである。 VT-Benchは、9つのドメイン(医療中心で、ペット、メディア、輸送をカバー)に14のデータセットを756万のサンプルで集約する。我々は,一助的専門家,特殊視覚タブラルモデル,汎用視覚言語モデル(VLM),ツール拡張手法など23種類の代表モデルを評価し,視覚タブラル学習の課題を浮き彫りにした。
参考スコア（独自算出の注目度）: 21.05066248566548
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-model learning has attracted great attention in visual-text tasks. However, visual-tabular data, which plays a pivotal role in high-stakes domains like healthcare and industry, remains underexplored. In this paper, we introduce \textit{VT-Bench}, the first unified benchmark for standardizing vision-tabular discriminative prediction and generative reasoning tasks. VT-Bench aggregates 14 datasets across 9 domains (medical-centric, while covering pets, media, and transportation) with over 756K samples. We evaluate 23 representative models, including unimodal experts, specialized visual-tabular models, general-purpose vision-language models (VLMs), and tool-augmented methods, highlighting substantial challenges of visual-tabular learning. We believe VT-Bench will stimulate the community to build more powerful multi-modal vision-tabular foundation models. Benchmark: https://github.com/Ziyi-Jia990/VT-Bench
Abstract（参考訳）: マルチモデル学習は視覚テキストタスクに大きな注目を集めている。しかし、医療や産業などの高度な領域において重要な役割を担っているビジュアルタブラルデータは、いまだ探索されていない。本稿では、視覚・タブラリ識別予測と生成的推論タスクを標準化するための最初の統一ベンチマークである「textit{VT-Bench}」を紹介する。 VT-Benchは、9つのドメイン(医療中心で、ペット、メディア、輸送をカバー)に14のデータセットを756万のサンプルで集約する。我々は,一助的専門家,特殊視覚タブラルモデル,汎用視覚言語モデル(VLM),ツール拡張手法など23種類の代表モデルを評価し,視覚タブラル学習の課題を浮き彫りにした。 VT-Benchはコミュニティを刺激し、より強力なマルチモーダルビジョンタブラル基盤モデルを構築するだろうと考えています。ベンチマーク:https://github.com/Ziyi-Jia990/VT-Bench

関連論文リスト

WorldBench: A Challenging and Visually Diverse Multimodal Reasoning Benchmark [85.74548332724977]
複数のドメインにまたがって数千の視覚概念の分類を構築します。我々はフロンティアMLLMが答えられない挑戦的な質問を手動で設計する。 WorldBenchは、既存のさまざまなベンチマークよりも高い視覚的多様性を実現している。
論文参考訳（メタデータ） (2026-06-04T01:11:21Z)
EPIC-Bench: A Perception-Centric Benchmark for Fine-Grained Embodied Visual Grounding in Vision-Language Models [39.77362541405281]
EPIC-Benchは、大規模視覚言語モデル(VLM)の基盤ベンチマークである。実環境におけるVLMの視覚知覚能力を体系的に評価する。
論文参考訳（メタデータ） (2026-05-16T16:38:51Z)
Closing the Gap: Data-Centric Fine-Tuning of Vision Language Models for the Standardized Exam Questions [0.0]
高品質なデータによる教師付き微調整は、プロプライエタリなアプローチと競合する可能性があることを示す。以上の結果から,データ合成と表現構文がマルチモーダル推論において決定的な役割を果たすことが明らかとなった。
論文参考訳（メタデータ） (2025-11-14T14:28:14Z)
MTabVQA: Evaluating Multi-Tabular Reasoning of Language Models in Visual Space [16.35255926212628]
MTabVQAは,多変数の視覚的質問応答に特化して設計された新しいベンチマークである。 MTabVQAは3,745組の複雑な質問応答対で構成されており、複数の視覚的に描画されたテーブルイメージに対してマルチホップ推論を必要とする。 MTabVQA-Instructを用いた微調整VLMでは,視覚的マルチタブラル推論の性能が大幅に向上することを示す。
論文参考訳（メタデータ） (2025-06-13T11:21:00Z)
VisuRiddles: Fine-grained Perception is a Primary Bottleneck for Multimodal Large Language Models in Abstract Visual Reasoning [70.44416154144001]
マルチモーダル大規模言語モデル(MLLM)の最近の進歩は、多くの推論タスクにおいて、その性能を著しく向上させてきた。 AVR(Abstract Visual Reasoning)は、抽象グラフィックの知覚に制限があるため、依然として重要な課題である。 PRSのベンチマークであるVisuRiddlesを提案し、モデルの推論能力を評価するために精巧に構築されたタスクを特徴付ける。第二に、パーセプチュアル・リドル・シンセサイザー (PRS) を導入する。
論文参考訳（メタデータ） (2025-06-03T07:24:00Z)
v1: Learning to Point Visual Tokens for Multimodal Grounded Reasoning [27.688428439248607]
簡単なポイント・アンド・コピーアプローチによるアクティブな視覚的参照を可能にする軽量な拡張であるv1を紹介する。これにより、モデルは関連するイメージパッチを特定し、埋め込みを推論ストリームにコピーすることができる。我々のポインティング戦略では、MLLMはセマンティックな表現をキーとして直接イメージパッチを選択でき、知覚的証拠はモデルの推論と同じ空間に埋め込まれている。
論文参考訳（メタデータ） (2025-05-24T19:30:47Z)
Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling [191.7830199016589]
InternVL 2.5は、InternVL 2.0上に構築された高度マルチモーダル大規模言語モデル(MLLM)シリーズである。 InternVL 2.5は、GPT-4oやClaude-3.5-Sonnetといった主要な商用モデルと競合する競争力を持つ。このモデルが、マルチモーダルAIシステムの開発と適用のための新しい標準を設定することで、オープンソースコミュニティに貢献できることを願っています。
論文参考訳（メタデータ） (2024-12-06T18:57:08Z)
VLM2Vec: Training Vision-Language Models for Massive Multimodal Embedding Tasks [60.5257456681402]
幅広い下流タスクを扱える普遍的な埋め込みを構築する可能性について検討する。 We build a series of VLM2Vec model on SoTA VLMs like Phi-3.5-V, LLaVA-1.6 and evaluate them on MMEB's evaluation split。以上の結果から,VLM2Vecは既存のマルチモーダル埋め込みモデルよりも10%から20%の絶対的な平均的改善を実現していることがわかった。
論文参考訳（メタデータ） (2024-10-07T16:14:05Z)
Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
論文参考訳（メタデータ） (2024-04-27T05:03:42Z)
InternVL: Scaling up Vision Foundation Models and Aligning for Generic Visual-Linguistic Tasks [92.03764152132315]
我々は、視覚基盤モデルを60億のパラメータにスケールアップする大規模視覚言語基盤モデル(InternVL)を設計する。このモデルは、32の汎用視覚言語ベンチマークにおいて、最先端のパフォーマンスを広く適用し、達成することができる。強力な視覚能力を備え、ViT-22Bの代替となる。
論文参考訳（メタデータ） (2023-12-21T18:59:31Z)
MELINDA: A Multimodal Dataset for Biomedical Experiment Method Classification [14.820951153262685]
マルチモーダルbiomEdicaL experImeNtmethoD clAssificationのための新しいデータセット、MELINDAを紹介します。データセットは、完全に自動化された遠隔監視方法で収集され、ラベルは既存のキュレーションデータベースから取得されます。キャプションテキストまたは画像のみを入力として取得するユニモダルモデルを含む、さまざまな最先端のNLPおよびコンピュータビジョンモデルをベンチマークします。
論文参考訳（メタデータ） (2020-12-16T19:11:36Z)

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。