論文の概要: World Models in Words: Auditing Physical State-Transition Commitments in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2605.29585v1
• Date: Thu, 28 May 2026 08:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.070058
• Title: World Models in Words: Auditing Physical State-Transition Commitments in Vision-Language Models
• Title（参考訳）: 単語の世界モデル:視覚言語モデルにおける物理状態遷移コミットメントの検証
• Authors: Emmanuelle Bourigault,
• Abstract要約: 視覚言語モデル(VLM)は、物理シーンに関する質問に答えるためにますます使われている。 本稿では,VLMの物理コミットメントを評価するための評価フレームワークwmwを紹介する。 ハイブリッド検証器は、スキーマの妥当性、状態基底、遷移整合性、応答-トレース互換性をチェックする。
• 参考スコア（独自算出の注目度）: 3.1727619150610837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models (VLMs) are increasingly used to answer questions about physical scenes, yet most evaluations reduce performance to a final answer. This hides whether the model perceived the right objects, represented the right physical state, predicted a plausible transition, or merely selected the right option for the wrong reasons. We introduce \wmw, an evaluation framework for auditing the \emph{language-expressed physical commitments} of VLMs. Instead of scoring only $I,q\mapsto a$, we ask models to produce a typed trace $I,q\mapsto(s_0,Δs,s_1,a)$: an initial state, a state transition, a resulting state, and an answer. A hybrid verifier then checks schema validity, state grounding, transition consistency, and answer-trace compatibility, yielding typed error labels such as object, relation, force, transition, temporal, unit/scale, and faithfulness errors. We release \tracebank, a controlled trace resource with \nSeed schema- and recomputation-validated synthetic scenarios across \nFamilies physics families, \nPairs minimally perturbed contrastive preference pairs, verifier code, audit guidelines, and model outputs. We evaluate \nModels VLMs on both controlled and external physical-reasoning examples. \wmw reveals failures that answer-only evaluation misses: 35\% of correct answers from mid-tier models are backed by physically invalid traces. Verifier-guided reranking recovers up to 7 percentage points of trace validity without sacrificing answer accuracy, and trace-level preference tuning reduces hidden inconsistency by 41\% relative. The contribution is not another final-answer physics benchmark, but a reusable protocol for measuring whether a VLM's stated physical world can be true at the same time as its answer.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、物理シーンに関する質問に答えるのにますます使われていますが、ほとんどの評価は最終的な答えまでパフォーマンスを低下させます。 これは、モデルが正しいオブジェクトを認識し、正しい物理的状態を示し、妥当な遷移を予測しているか、あるいは単に間違った理由で正しい選択肢を選択しただけなのかを隠蔽する。 VLMの‘emph{language-presented physical commitments’を監査するための評価フレームワークである‘wmw’を紹介する。 I,q\mapsto a$のみをスコアする代わりに、型付きトレース $I,q\mapsto(s_0,Δs,s_1,a)$:初期状態、状態遷移、結果の状態、および応答を生成するようモデルに求める。 ハイブリッド検証器は、スキーマの妥当性、状態基底、遷移整合性、および応答-トレースの互換性をチェックし、オブジェクト、関係性、力、遷移、時間的、単位/スケール、忠実度エラーなどの型付きエラーラベルを生成する。 我々は、 \tracebankをリリースした。これは、 \nSeedスキーマと、 \nFamilies 物理学ファミリ、 \nPairs の最小摂動型コントラスト優先ペア、検証コード、監査ガイドライン、モデルアウトプットにまたがる、再計算検証された合成シナリオを備えた、制御されたトレースリソースである。 制御および外部物理推論の例で, \nModels VLMを評価した。 中間層のモデルの正しい回答の35.5%は、物理的に無効なトレースによって支えられています。 検証誘導リグレードは解答精度を犠牲にすることなく、最大7パーセントのトレース正当性を回復し、トレースレベルの選好チューニングは、隠れた不整合を41倍の相対的に減少させる。 このコントリビューションは他のファイナル・アンサー物理ベンチマークではなく、VLMの物理世界がその答えと同時に真であるかどうかを測定する再利用可能なプロトコルである。

関連論文リスト

• When Does a Language Model Commit? A Finite-Answer Theory of Pre-Verbalization Commitment [6.48455847613423]
  言語モデルは最終回答を与える前に推論を生成することが多いが、可視性のある答えは、モデルの回答がいつ安定するかを明らかにしない。 我々はこの問題を、狭義の計算可能な対象である無限回答優先安定化(enmphfinite-aswer preference stabilization)を通して研究する。 モデル状態と特定解動詞化子に対しては、モデル自身の継続確率を有限解集合に投影する。 バイナリタスクでは、これは正確なlog-oddsコード、$()=S_(mathrmyesmid)-S_(mathrmnomid)が生成される。
  論文  参考訳（メタデータ） (2026-05-07T08:34:59Z)
• interwhen: A Generalizable Framework for Verifiable Reasoning with Test-time Monitors [47.363850513075356]
  実験時間検証フレームワークであるInterwhenを提案し, 与えられた検証結果に対して, 推論モデルの出力が有効であることを保証する。 検証された推論は、物理的な世界にエージェントを配置するといった高度なシナリオにおいて重要な目標である。
  論文  参考訳（メタデータ） (2026-02-05T08:35:01Z)
• Probing the Trajectories of Reasoning Traces in Large Language Models [4.599673637363014]
  本研究では,大規模言語モデルにおける推論トレースの軌跡を探索するプロトコルを提案する。 得られた推論トークンの比率が大きくなるにつれて、精度と決定のコミットメントが一貫して増加することが分かっています。 軌道探索が推論モデルのより効率的かつ安全な展開のための診断を提供することを示す。
  論文  参考訳（メタデータ） (2026-01-30T16:45:16Z)
• Are Large Reasoning Models Interruptible? [77.53059044071107]
  LRM(Large Reasoning Models)は複雑な推論において優れているが、伝統的に静的な「凍った世界」設定で評価されている。 静的な設定で高い精度を達成できる最先端のLEMでさえ、割り込みやコンテキストの変化に晒された場合、予測不能に失敗する可能性があることを示す。 我々の分析ではさらに、漏れの原因、パニック、自己疑念など、いくつかの新しい障害モードを明らかにしている。
  論文  参考訳（メタデータ） (2025-10-13T17:59:35Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• Rethinking Reward Models for Multi-Domain Test-Time Scaling [91.76069784586149]
  従来の作業では、プロセス報酬モデル(PRM)が最終回答のみを評価する結果報酬モデル(ORM)を上回っていると仮定しています。 14の異なる領域にまたがる4つの報酬モデル変種を統一的に評価する。 LLMの自動ラベル付けからラベルノイズを継承し,長い推論軌跡の評価に難渋するPRM方式の段階的スコアリングが原因と考えられる。
  論文  参考訳（メタデータ） (2025-10-01T04:21:14Z)
• Measuring Epistemic Humility in Multimodal Large Language Models [17.490955813494693]
  HumbleBench は,MLLM が正解ではないが誤解を拒否する能力を評価するために設計された,新しい幻覚ベンチマークである。 我々は、微粒なシーングラフアノテーションを利用して、地中構造体と関係を抽出し、GPT-4-Turboに多重選択質問を生成する。 HumbleBenchは、現在の評価スイートにおける重要なギャップを埋め、安全クリティカルな設定におけるMLLMの信頼性をより現実的に測定する。
  論文  参考訳（メタデータ） (2025-09-11T17:54:00Z)
• AutoPSV: Automated Process-Supervised Verifier [10.283965168399158]
  textbf Automated textbfProcess-textbf Supervised textbfVerifier (textbftextscAutoPSV) textscAutoPSVは、最終回答の正しさに関する検証モデルをトレーニングすることから始まる。 最終回答の正しさを訓練した検証モデルにより得られたステップレベルの信頼度変化が、推論ステップにおける誤りを効果的に識別できることを実験的に検証した。
  論文  参考訳（メタデータ） (2024-05-27T03:44:24Z)

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。