論文の概要: Unlocking UML Class Diagram Understanding in Vision Language Models

• arxiv url: http://arxiv.org/abs/2605.11634v1
• Date: Tue, 12 May 2026 06:57:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.648372
• Title: Unlocking UML Class Diagram Understanding in Vision Language Models
• Title（参考訳）: 視覚言語モデルにおけるUMLクラスダイアグラムのアンロック
• Authors: Artem Naboichenko, René Peinl,
• Abstract要約: 視覚言語モデル (VLM) は、写真と比較して、図に関する質問に答える際に遅れる。 本稿では,クラス図に基づく視覚的質問応答のベンチマークを提案する。 LoRAベースのファインチューンは、他の多くのベンチマークでQwen 3.5 27Bよりも容易に優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Although Vision Language Models (VLMs) have seen tremendous progress across all kinds of use cases, they still fall behind in answering questions regard-ing diagrams compared to photos. Although progress has been made in the area of bar charts, line charts and other diagrams like that there is still few research concerned with other types of diagrams, e.g. in the computer science domain. Our work presents a benchmark for visual question answering based on UML class diagrams which is both challenging and manageable. We further construct a large-scale training dataset with 16.000 image-question-answer triples and show that a LoRA-based finetune easily outperforms Qwen 3.5 27B, which is a recent and well-performing VLM in many other benchmarks.
• Abstract（参考訳）: 視覚言語モデル(VLM)はあらゆる種類のユースケースで大きな進歩を遂げてきたが、それでも写真と比較して図に関する疑問に答えるには遅れている。 バーチャートの分野では進展があったが、線グラフや他の図には、コンピュータ科学領域における他の種類の図に関する研究はほとんどない。 私たちの研究は、UMLクラス図に基づく視覚的質問応答のベンチマークを提示します。 さらに16万のイメージクエスト・アンサー・トリプルを用いた大規模トレーニングデータセットを構築し、LoRAベースのファインチューンがQwen 3.5 27Bより容易に優れていることを示す。

関連論文リスト

• How Well Do Models Follow Visual Instructions? VIBE: A Systematic Benchmark for Visual Instruction-Driven Image Editing [56.60465182650588]
  我々は,3段階の相互作用階層を導入し,決定的接地,形態的操作,因果推論を捉える。 本稿では,スケーラブルできめ細かい評価を実現するために,タスク固有のメトリクスを備えた堅牢なLMM-as-a-judge評価フレームワークを提案する。 プロプライエタリなモデルは早期の視覚指示追従能力を示し、一貫してオープンソースモデルを上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-02-02T09:24:45Z)
• More Images, More Problems? A Controlled Analysis of VLM Failure Modes [80.64323947730905]
  大規模視覚言語モデル (LVLM) は目覚ましい能力を示しているが、複数の画像に対する理解と推論の能力は未解明のままである。 LVLMのマルチイメージ能力を厳格に評価する新しいベンチマークMIMICを紹介する。
  論文  参考訳（メタデータ） (2026-01-12T18:45:13Z)
• MathSight: A Benchmark Exploring Have Vision-Language Models Really Seen in University-Level Mathematical Reasoning? [21.777853590188688]
  大学レベルのマルチモーダル数学的推論ベンチマークであるMathSightを提案する。 最先端のVision-Language Modelの実験は、一貫した傾向を示している。
  論文  参考訳（メタデータ） (2025-11-28T11:55:05Z)
• CHAOS: Chart Analysis with Outlier Samples [31.64244745491319]
  CHAOSはマルチモーダル大言語モデル(MLLM)をチャートの摂動に対して評価するためのベンチマークである。 ベンチマークには、トレーニング範囲とデータに基づいて、13の最先端MLLMを3つのグループに分割する。
  論文  参考訳（メタデータ） (2025-05-22T19:26:49Z)
• Systematic teaching of UML and behavioral diagrams [0.0]
  本稿では,図を作成するために必要なスキルの体系的獲得について論じる。 より特異な質問タイプは、画像アノテーションに関する質問など、画像に関連している。 実証されたすべての演習は、デジタルと手書きのトレーニングと試験の両方に適しています。
  論文  参考訳（メタデータ） (2024-10-23T13:18:54Z)
• Revisiting the Graph Reasoning Ability of Large Language Models: Case Studies in Translation, Connectivity and Shortest Path [53.71787069694794]
  大規模言語モデル(LLM)のグラフ推論能力に着目する。 グラフ記述変換,グラフ接続,最短パス問題という3つの基本グラフタスクにおけるLLMの能力を再考する。 この結果から,LLMはテキスト記述によるグラフ構造理解に失敗し,これらの基本課題に対して様々な性能を示すことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-08-18T16:26:39Z)
• ChartX & ChartVLM: A Versatile Benchmark and Foundation Model for Complicated Chart Reasoning [55.22996841790139]
  我々は、チャート領域における既製のマルチモーダル言語モデル(MLLM)の能力をベンチマークする。 ChartXは18種類のチャートタイプ,7つのチャートタスク,22のディシプリナトピック,高品質なチャートデータを含むマルチモーダルな評価セットである。 我々は、解釈可能なパターンに強く依存するマルチモーダルタスクに対する新しい視点を提供するため、ChartVLMを開発した。
  論文  参考訳（メタデータ） (2024-02-19T14:48:23Z)
• Do LLMs Work on Charts? Designing Few-Shot Prompts for Chart Question Answering and Summarization [27.913656283822483]
  大規模言語モデル(LLM)は、目に見えないタスクに対して印象的な一般化能力を示している。 本稿では,チャート関連アプリケーションのための LLM を用いたマルチモーダルな複数ショットプロンプトフレームワーク PromptChart を提案する。 3つの異なるチャート関連情報消費タスクに関する実験により、適切に設計されたプロンプトにより、LLMがベンチマーク上で優れることを示す。
  論文  参考訳（メタデータ） (2023-12-17T05:13:58Z)
• Classification of Reverse-Engineered Class Diagram and Forward-Engineered Class Diagram using Machine Learning [0.0]
  ソフトウェア業界では、どのタイプのクラス図なのかを知ることが重要です。 特定のプロジェクトで使われたダイアグラムは、知っておくべき重要な要素なのでしょうか? 本稿では,教師付き機械学習技術を用いてこの問題を解決することを提案する。
  論文  参考訳（メタデータ） (2020-11-14T14:56:26Z)

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。