論文の概要: Ill-Posed by Design: Probing Evidence Use in VLMs

• arxiv url: http://arxiv.org/abs/2606.24335v1
• Date: Tue, 23 Jun 2026 09:20:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.858234
• Title: Ill-Posed by Design: Probing Evidence Use in VLMs
• Title（参考訳）: 設計によるIll-Posed: VLMにおけるエビデンス使用の証明
• Abstract要約: 本研究では, モノクロ計量オブジェクトサイズ推定を, 証拠選択のための不十分な診断条件として提案する。 物理サイズは1つの未校正画像から決定できないため、モデルは不完全なキューのカテゴリ、ターゲットの外観、ローカルコンテキスト、見かけのイメージサイズ、シーンジオメトリに頼らなければならない。
• 参考スコア（独自算出の注目度）: 15.007701585510231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual analysis is widely used to study evidence use in vision-language models, but its diagnostic value is limited on well-posed tasks: when several cues independently support the same answer, removing one may not change the prediction. We propose monocular metric object-size estimation as an ill-posed diagnostic setting for evidence selection: because physical size cannot be determined from a single uncalibrated image, models must rely on imperfect cues category priors, target appearance, local context, apparent image size, and scene geometry. We assemble Metric VQA ($10{,}813$ dimension queries from Objectron and $331$ tape-measured in-the-wild scenes) and evaluate $12$ open-weight VLMs ($3$--$397$\,B parameters) with counterfactual analysis decomposing six visual and language evidence channels. Even the largest VLMs tested (Qwen3-VL-235B, Qwen3.5-397B, InternVL3.5-241B) trail a text-only frontier LLM on the in-the-wild split. The diagnostic analysis shows: target identity is the most load-bearing cue, target pixels and local context help only some models, apparent size shifts predictions without a directional readout, and global scene geometry is largely unused. We analyze LoRA fine-tuning as an actionable intervention specific to metric estimation: while the task is learnable, the models do not learn to leverage scene geometry.
• Abstract（参考訳）: 対物分析は視覚言語モデルで用いられるエビデンスを研究するために広く用いられているが、その診断値はよく提示されたタスクに限られている。 物理サイズを1つの未校正画像から決定できないため、モデルは不完全なキューのカテゴリの先行、ターゲットの外観、ローカルコンテキスト、画像サイズ、シーン形状に依存しなければならない。 Metric VQA (10{,}813$ dimension query from Objectron and $331$ tape-measured in-the-wild scene) を組み立て、12$open-weight VLMs (3$--$397$\,B parameters) を評価し、6つの視覚的および言語的エビデンスチャンネルを分解した。 テストされた最大のVLM(Qwen3-VL-235B、Qwen3.5-397B、InternVL3.5-241B)でさえ、線内分割でテキストのみのフロンティアLSMを辿った。 診断分析によると、ターゲットのアイデンティティは最も負荷の多いキューであり、ターゲットピクセルとローカルコンテキストはいくつかのモデルにしか役立ちません。 我々は,LoRAファインチューニングを,距離推定に特有の動作可能な介入として分析する:タスクは学習可能であるが,モデルがシーン幾何学の活用を学ばない。

関連論文リスト

• SpatialQuery: Benchmarking Geometry-Grounded Multi-Instance Spatial Reasoning in Vision-Language Models [6.150970359045875]
  VLM(Vision-Thought Model)は、強い意味理解を実現するが、計量空間的推論では信頼できない。 本稿では,単一RGB画像からのCIDQ推論のためのトレーニングフリーフレームワークであるSPATIALQUERYを紹介する。 本研究では,Qwen3-VL-8Bを用いたSPATIALQUERYにおいて,Floor-MAEが0.259m,Unc-Acc@0.3mが90.5%,近接精度が84.18%となることを示す。
  論文  参考訳（メタデータ） (2026-08-03T05:15:46Z)
• MM-ToolSandBox: A Unified Framework for Evaluating Visual Tool-Calling Agents [50.27505102982638]
  本稿では,ツールコールエージェントのベンチマークおよび評価フレームワークであるMM-ToolSandBoxを紹介する。 このフレームワークは16のアプリケーションドメインで500以上のツールにまたがるステートフルな実行環境を提供する。 マルチイメージのマルチターンタスクをサポートしており、エージェントは実行可能ツールコールに徐々に視覚的な入力を入力しなければならない。
  論文  参考訳（メタデータ） (2026-07-13T17:13:09Z)
• Consistent Yet Wrong: Evidence Insensitivity in Spatial Vision-Language Models [29.66841995436342]
  現代の視覚言語モデル(VLM)は、計量距離クエリでは信頼できないままである。 我々は,Hypersim,ScanNet,KITTI360から構築したマルチビュー評価プロトコルであるtextbfViewDiagを紹介する。 安定な予測は、証拠に敏感な推論よりも先駆的な崩壊を反映している可能性が示唆された。
  論文  参考訳（メタデータ） (2026-06-01T18:06:08Z)
• ReVSI: Rebuilding Visual Spatial Intelligence Evaluation for Accurate Assessment of VLM 3D Reasoning [59.558706734431276]
  空間知能の現在の評価は、現代の視覚言語モデル(VLM)設定下で体系的に無効にすることができる。 本稿では,各QAペアが実際の入力の下で応答可能で正しいことを保証するためのベンチマークとプロトコルであるReVSIを紹介する。
  論文  参考訳（メタデータ） (2026-04-27T10:45:51Z)
• Beyond 'Templates': Category-Agnostic Object Pose, Size, and Shape Estimation from a Single View [69.6117755984012]
  物体の6Dポーズ、サイズ、形状を視覚入力から推定することは、コンピュータビジョンの基本的な問題である。 一つのRGB-D画像から6次元のポーズ,サイズ,密な形状を同時に予測する統合されたカテゴリ非依存フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-13T17:49:15Z)
• UNOPose: Unseen Object Pose Estimation with an Unposed RGB-D Reference Image [86.7128543480229]
  見えないオブジェクトのポーズ推定方法はCADモデルや複数の参照ビューに依存することが多い。 参照取得を簡略化するために,未提示のRGB-D参照画像を用いて未確認オブジェクトのポーズを推定することを目的とする。 単参照型オブジェクトポーズ推定のための新しいアプローチとベンチマークをUNOPoseと呼ぶ。
  論文  参考訳（メタデータ） (2024-11-25T05:36:00Z)
• CVAM-Pose: Conditional Variational Autoencoder for Multi-Object Monocular Pose Estimation [3.5379836919221566]
  剛体物体のポーズを推定することはコンピュータビジョンの基本的な問題の一つである。 本稿では,多目的単分子ポーズ推定のための新しいアプローチCVAM-Poseを提案する。
  論文  参考訳（メタデータ） (2024-10-11T17:26:27Z)
• Revisiting Few-Shot Object Detection with Vision-Language Models [49.79495118650838]
  我々は、最近の基礎視覚言語モデル(VLM)の文脈で、少数ショットオブジェクト検出(FSOD)のタスクを再考する。 我々は,任意の外部データ上で事前学習された検出器を評価する新しいベンチマークプロトコルであるFoundational FSODを提案する。 CVPR 2024 Foundational FSOD コンペティションについて論じ,コミュニティからの洞察を共有した。
  論文  参考訳（メタデータ） (2023-12-22T07:42:00Z)
• Zero-shot Model Diagnosis [80.36063332820568]
  ディープラーニングモデルを評価するための一般的なアプローチは、興味のある属性を持つラベル付きテストセットを構築し、そのパフォーマンスを評価することである。 本稿では,ゼロショットモデル診断(ZOOM)がテストセットやラベル付けを必要とせずに可能であることを論じる。
  論文  参考訳（メタデータ） (2023-03-27T17:59:33Z)

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。