論文の概要: TriViewBench: Controlled Complexity Scaling for Multi-View Structural Reasoning in MLLMs
- arxiv url: http://arxiv.org/abs/2606.26029v1
- Date: Wed, 24 Jun 2026 17:00:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.39954
- Title: TriViewBench: Controlled Complexity Scaling for Multi-View Structural Reasoning in MLLMs
- Title（参考訳）: TriViewBench: MLLMにおけるマルチビュー構造推論のための制御された複雑度スケーリング
- Abstract要約: 合成3Dシーンから構築した3次元視覚推論ベンチマークであるTriViewBenchを紹介する。
オープンおよびクローズドな18のMLLMを統一的なプロンプトプロトコルで評価する。
- 参考スコア（独自算出の注目度）: 15.319486581991848
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal Large Language Models (MLLMs) demonstrate strong performance on standard visual question answering benchmarks, yet their scalability under controlled structural complexity remains poorly understood. We introduce TriViewBench, a controlled three-view visual reasoning benchmark constructed from synthetic 3D scenes with explicitly parameterized object count and occlusion. The benchmark contains 1,923 scenes and over 14K Question-Answer (QA) pairs organized into four complexity levels and three reasoning categories: Local Decision, Object Counting, and Global Recovery. We evaluate 18 open- and closed-source MLLMs under a unified prompting protocol. All 18 models exhibit an identical capability hierarchy without exception (Local Decision > Object Counting > Global Recovery), and performance degrades monotonically with complexity: Local Decision tasks decline modestly (12.11% relative drop), while Object Counting degrades substantially (59.14%) and Global Recovery collapses severely (80.02%). Error analysis on Object Counting reveals two mechanistically independent failure modes: single-view tasks are dominated by undercounting due to occlusion blindness, whereas the multi-view task reverses to overcounting due to cross-view identity confusion. Chain-of-Thought (CoT) prompting yields near-zero overall benefit ($Δ= -0.16\%$) and its effect on Global Recovery is strongly capability-gated, suggesting that the bottleneck lies in cross-view spatial representation rather than reasoning strategy. These findings reveal fundamental scalability limitations in current MLLMs and position TriViewBench as a controlled diagnostic framework for analyzing structural reasoning failures.
- Abstract（参考訳）: MLLM(Multimodal Large Language Models)は、標準的な視覚的質問応答ベンチマークにおいて強力な性能を示すが、制御された構造的複雑さの下でのスケーラビリティは理解されていない。
そこで,TriViewBenchについて紹介する。TriViewBenchは,オブジェクト数とオクルージョンを明示的にパラメータ化した合成3Dシーンから構築した3次元視覚推論ベンチマークである。
ベンチマークには1,923のシーンと14K以上の質問回答(QA)ペアが含まれており、4つの複雑さレベルと3つの推論カテゴリ(ローカル決定、オブジェクトカウント、グローバルリカバリ)で構成されている。
オープンおよびクローズドな18のMLLMを統一的なプロンプトプロトコルで評価する。
全18モデルは例外なく同一の機能階層を示す(ローカル決定 > オブジェクトカウント > グローバルリカバリ)が、パフォーマンスは単調に低下し、局所決定タスクはわずかに減少し(12.11%)、オブジェクトカウントは大幅に低下し(59.14%)、グローバルリカバリは著しく低下する(80.02%)。
シングルビュータスクは、オクルージョン・ブラインドネスによるアンダーカウントによって支配されるが、マルチビュータスクは、クロスビューアイデンティティの混乱によるオーバーカウントに逆戻りする。
CoT(Chain-of-Thought)は、全体の利益(Δ=-0.16\%$)をほぼゼロにし、グローバルリカバリに対するその効果は強く、このボトルネックは推論戦略ではなく、クロスビューな空間表現にあることを示唆している。
これらの結果から,現在のMLLMにおける基本的なスケーラビリティの限界が明らかとなり,TriViewBenchが構造的推論障害を解析するための制御診断フレームワークとなった。
関連論文リスト
- Promptable Concept Segmentation from Above: Evaluating SAM 3's Zero-Shot and One-Shot Capabilities in Remote Sensing [0.42970700836450487]
本稿では,リモートセンシングシーンの分類,オブジェクト検出,インスタンスのセグメンテーションにまたがる総合的,マルチタスクな経験的評価について述べる。
我々の結果は、SAM 3がレガシーなドメイン適応モデルでよく見られる過度な適合を避けることを実証している。
サブピクセル解像度制限と、オーバーヘッドセマンティックブラインドスポットによって、基本的に制限されている。
論文 参考訳（メタデータ） (2026-07-10T16:33:05Z) - HoloCount: A Holistic Visual Counting Benchmark for MLLMs [17.08907754405721]
HoloCountは診断的にリッチなベンチマークで、3階層の階層分類に基づいて構成されている。
我々は20以上の最先端マルチモーダル言語モデル(MLLM)を評価する。
我々の発見は、より基礎的で信頼性の高いマルチモーダルシステムを開発するためのロードマップを提供する。
論文 参考訳（メタデータ） (2026-07-07T15:48:57Z) - CrossView Suite: Harnessing Cross-view Spatial Intelligence of MLLMs with Dataset, Model and Benchmark [77.29150285469736]
空間知能は、単一視点の知覚と理性を超えるためにマルチモーダルな大言語モデル(MLLM)を必要とする。
CrossView Suiteは、CrossViewSet、CrossViewBench、CrossViewerの3つの協調コンポーネントで開発しています。
提案手法は, 適応型空間領域トークンーザを備え, 微細なオブジェクト表現をキャプチャし, マルチビューオブジェクトを明示的にアライメントする。
論文 参考訳（メタデータ） (2026-05-18T16:31:31Z) - Tracking the Truth: Object-Centric Spatio-Temporal Monitoring for Video Large Language Models [154.39583176906893]
大規模言語モデル(ML)は高度な理解を持ち、シーンにおける幻覚の傾向が高い。
これは、時間的モニタリングの失敗、オブジェクトの動的アイデンティティ、状態、そして時間とともに関係を永続的に追跡する能力に起因している、と我々は主張する。
既存のベンチマークでは、局所的な視覚的手がかりや統計的先行によってしばしば解決される1つの最終回答クエリに頼って、この欠陥を曖昧にしている。
論文 参考訳（メタデータ） (2026-05-09T14:32:36Z) - TableVision: A Large-Scale Benchmark for Spatially Grounded Reasoning over Complex Hierarchical Tables [13.218805579902048]
タスクの複雑さが拡大するにつれて、関連する離散的な視覚領域の数が不均等に増加することが分かる。
この処理密度は内部の"知覚的過負荷"につながる
本研究では,空間的推論のためのトラジェクトリ・アウェア・ベンチマークであるTableVisionを紹介する。
論文 参考訳（メタデータ） (2026-04-04T09:26:09Z) - Bootstrapping MLLM for Weakly-Supervised Class-Agnostic Object Counting [59.37613121962146]
本稿では,クラスに依存しないオブジェクトカウントのためのMLLM駆動型弱教師付きフレームワークWS-COCを提案する。
WS-COCは、多くの最先端の完全に管理されたメソッドと一致し、また、アノテーションのコストを大幅に削減します。
論文 参考訳（メタデータ） (2026-02-13T09:58:35Z) - Thinking in Structures: Evaluating Spatial Intelligence through Reasoning on Constrained Manifolds [6.062002698657217]
SSI-Benchは制約された3次元構造の空間的推論のためのベンチマークである。
10人の研究者が400時間以上かけて画像をキュレーションし、構造部品を注釈付けし、ピクセルレベルの手がかりを最小限にするために質問をデザインしました。
最高のオープンソースモデルは22.2%の精度で最強のクローズドソースモデルは33.6%、人間は91.6%である。
論文 参考訳（メタデータ） (2026-02-08T08:29:38Z) - MR$^2$-Bench: Going Beyond Matching to Reasoning in Multimodal Retrieval [86.35779264575154]
マルチモーダル検索は、現代のAIアプリケーションにおいて重要なコンポーネントになりつつあるが、その評価は、より現実的で困難なシナリオの要求に遅れている。
マルチモーダル検索のための推論集約型ベンチマークであるMR$2$-Benchを紹介する。
論文 参考訳（メタデータ） (2025-09-30T15:09:14Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - SpatialViz-Bench: An MLLM Benchmark for Spatial Visualization [44.427830927596204]
SpaceViz-Benchは4つのサブ能力にまたがる12のタスクを持つ空間視覚化のための総合的なベンチマークである。
33種類の最先端MLLMを評価した結果,多彩な性能の変動がみられ,反直感的な結果が得られた。
論文 参考訳（メタデータ） (2025-07-10T10:27:20Z) - Can LLMs Reason Structurally? An Evaluation via the Lens of Data Structures [21.390740746718947]
DSR-Benchは,大規模言語モデルの構造的推論を体系的に評価する最初のベンチマークである。
ベンチマークは、20のデータ構造、35の操作、および、最小限の汚染で合成生成された4,140の問題インスタンスにまたがる。
論文 参考訳（メタデータ） (2025-05-29T23:24:53Z) - Triplet Contrastive Learning for Unsupervised Vehicle Re-identification [55.445358749042384]
部分的特徴学習は、車両の再識別におけるセマンティック理解にとって重要な技術である。
本稿では,クラスタ機能を活用したTCL(Triplet Contrastive Learning framework)を提案する。
論文 参考訳（メタデータ） (2023-01-23T15:52:12Z)
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。