論文の概要: ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both

• arxiv url: http://arxiv.org/abs/2605.15198v1
• Date: Thu, 14 May 2026 17:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:35.021765
• Title: ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both
• Title（参考訳）: ATLAS: エージェント的・潜在的視覚的推論?
• Authors: Ziyu Guo, Rain Liu, Xinyan Chen, Pheng-Ann Heng,
• Abstract要約: ATLASは、単一の独立した「ワード」を機能トークンと呼び、エージェント操作と潜在視覚推論ユニットの両方として機能するフレームワークである。 ATLASは、明確な解釈可能性を維持しながら、挑戦的なベンチマークで優れたパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 55.182037225013836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual reasoning, often interleaved with intermediate visual states, has emerged as a promising direction in the field. A straightforward approach is to directly generate images via unified models during reasoning, but this is computationally expensive and architecturally non-trivial. Recent alternatives include agentic reasoning through code or tool calls, and latent reasoning with learnable hidden embeddings. However, agentic methods incur context-switching latency from external execution, while latent methods lack task generalization and are difficult to train with autoregressive parallelization. To combine their strengths while mitigating their limitations, we propose ATLAS, a framework in which a single discrete 'word', termed as a functional token, serves both as an agentic operation and a latent visual reasoning unit. Each functional token is associated with an internalized visual operation, yet requires no visual supervision and remains a standard token in the tokenizer vocabulary, which can be generated via next-token prediction. This design avoids verbose intermediate visual content generation, while preserving compatibility with the vanilla scalable SFT and RL training, without architectural or methodological modifications. To further address the sparsity of functional tokens during RL, we introduce Latent-Anchored GRPO (LA-GRPO), which stabilizes the training by anchoring functional tokens with a statically weighted auxiliary objective, providing stronger gradient updates. Extensive experiments and analyses demonstrate that ATLAS achieves superior performance on challenging benchmarks while maintaining clear interpretability. We hope ATLAS offers a new paradigm inspiring future visual reasoning research.
• Abstract（参考訳）: 視覚的推論は、しばしば中間的な視覚状態とインターリーブされ、この分野において有望な方向として現れてきた。 直接的なアプローチは、推論中に統一されたモデルを介して直接画像を生成することであるが、これは計算コストが高く、アーキテクチャ上は非自明である。 最近の代替策としては、コードやツールコールによるエージェント推論、学習可能な隠れ埋め込みによる潜時推論などがある。 しかし、エージェント的手法は外部実行からコンテキストスイッチング遅延を発生させる一方、潜時的手法ではタスクの一般化が欠如しており、自動回帰並列化の訓練が困難である。 制限を緩和しながらそれらの強度を組み合わせるために,機能トークンと呼ばれる単一の離散的な「単語」がエージェント操作と潜在視覚推論ユニットの両方として機能するフレームワークであるATLASを提案する。 それぞれの関数トークンは、内部化された視覚操作に関連付けられているが、視覚的な監督は必要とせず、次世代の予測を通じて生成できるトークン化語彙の標準トークンのままである。 この設計は、アーキテクチャや方法論の変更なしに、バニラスケーラブルなSFTおよびRLトレーニングとの互換性を維持しながら、冗長な中間的な視覚コンテンツ生成を避ける。 LA-GRPO(Latent-Anchored GRPO)は,機能トークンを静的に重み付けされた補助目標に固定することでトレーニングを安定化し,より強力な勾配更新を提供する。 大規模な実験と分析により、ATLASは明確な解釈可能性を維持しながら、挑戦的なベンチマークにおいて優れた性能を発揮することが示された。 ATLASは、将来の視覚的推論研究に刺激を与える新しいパラダイムを提供することを期待している。

関連論文リスト

• LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
  LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。 そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。 R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
  論文  参考訳（メタデータ） (2026-03-31T02:21:59Z)
• Let Triggers Control: Frequency-Aware Dropout for Effective Token Control [8.72880783870241]
  我々は新しいパラメータを追加することなく制御性を改善するために周波数対応ドロップアウト(FAD)を提案する。 FADは、共起分析とカリキュラムにインスパイアされたスケジューリングの2つの重要なコンポーネントで構成されている。 本手法は,テキスト・ツー・イメージ生成における制御性とパーソナライズを向上する,シンプルで効果的なドロップアウト戦略を提供する。
  論文  参考訳（メタデータ） (2026-03-28T08:55:54Z)
• LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval [74.72139580745511]
  LaSERは、レトリバーの潜在空間に明示的な推論を内部化する、新しい自己蒸留フレームワークである。 提案手法は, 明示的なCoTパイプラインの推論深度と, 標準的な高密度検索器の推論効率をうまく組み合わせる。
  論文  参考訳（メタデータ） (2026-03-02T04:11:18Z)
• Synergizing Understanding and Generation with Interleaved Analyzing-Drafting Thinking [154.2388970262703]
  Unified Vision-Language Models (UVLM) は、単一のフレームワーク内での理解と生成の両方をサポートすることで、マルチモーダル学習を促進することを目的としている。 本稿では,解析処理と起案処理を交互に行う新たな思考パラダイムである,インターリーブド・アナライジング・ドレイティング問題解決ループ(AD-Loop)を紹介する。 テキスト思考を視覚的思考とインターリーブすることで、AD-Loopはモデルが理解と出力の両方を反復的に洗練し、真のシナジーを育むことができる。
  論文  参考訳（メタデータ） (2026-02-24T23:26:09Z)
• CodeDance: A Dynamic Tool-integrated MLLM for Executable Visual Reasoning [47.30236915430168]
  視覚的推論のための一般的な解法として実行可能なコードを探索するCodeDanceを紹介する。 CodeDanceは、複数のツールを編成し、中間結果を計算し、ビジュアルアーティファクトを描画するコードを定義し、構成し、実行します。 CodeDanceは、スキーマ駆動とテキストのみのベースラインを一貫して上回るだけでなく、高度なクローズドモデルも上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-19T07:52:23Z)
• GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
  本稿では,AW性能予測のための統合フレームワークGLOWを提案する。 GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。 FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-11T13:30:46Z)
• Rethinking Visual Token Reduction in LVLMs under Cross-modal Misalignment [38.04426918886084]
  視覚言語モデル(LVLM)は、視覚入力をパッチレベルのトークンの密度の高いシーケンスとしてエンコードし、微細なセマンティクスをキャプチャする。 これまでは、大型言語モデル(LLM)の前か中のいずれかで、視覚トークンの削減を検討してきた。 トレーニングフリーで視覚のみのプルーニングフレームワークであるVisionDropを導入し、モーダル内(視覚から視覚への)注目に基づいて情報的視覚トークンを選択する。
  論文  参考訳（メタデータ） (2025-06-27T14:55:40Z)
• COrAL: Order-Agnostic Language Modeling for Efficient Iterative Refinement [80.18490952057125]
  反復改良は、複雑なタスクにおける大規模言語モデル(LLM)の能力を高める効果的なパラダイムとして登場した。 我々はこれらの課題を克服するために、コンテキストワイズ順序非依存言語モデリング(COrAL)を提案する。 当社のアプローチでは、管理可能なコンテキストウィンドウ内で複数のトークン依存関係をモデル化しています。
  論文  参考訳（メタデータ） (2024-10-12T23:56:19Z)

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。