Fugu-MT 論文翻訳(概要): Einstein World Models

論文の概要: Einstein World Models

arxiv url: http://arxiv.org/abs/2606.26969v1
Date: Thu, 25 Jun 2026 12:42:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.283569
Title: Einstein World Models
Title（参考訳）: アインシュタイン世界モデル
Abstract要約: アインシュタイン・ワールド・モデル(Einstein World Models)は、視覚的時間的ロールアウトを推論トレースの中に配置する推論システムのための青写真である。 EWMでは、LLMはワールドモジュールと呼ばれ、検討中のシーンの短いロールアウトを生成する。返却されたロールアウトは回答ではなく、後の推論をサポートする検査可能な仮説として扱われる。
参考スコア（独自算出の注目度）: 19.33423967037097
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Does intelligence require the ability to reason about phenomena beyond direct experience? It is natural to suspect that some complex thought cannot be captured through language alone. However, of particular concern to this work, is whether visualising counterfactual events can complement language as a mechanism for complex thought. We ask whether LLMs can be trained to utilise such visualisation mechanisms, in a way that benefits their reasoning abilities. Motivated by this question, we propose Einstein World Models. EWMs are a blueprint for LLM-based reasoning systems that place visual-temporal rollouts inside the reasoning trace, allowing them to reason in ways that text alone may not support well. In an EWM, the LLM calls a world-module (not to be confused with a world model), to produce short rollouts of scenes under consideration. The returned rollout is treated not as the answer, but as an inspectable hypothesis that can support later reasoning. Einstein World Models extend the capability of LLMs for tool calling (such as web search or code execution), into the domain of visual thought experiments.
Abstract（参考訳）: インテリジェンスには、直接的な経験を超えた現象を推論する能力が必要ですか? ある複雑な思考が言語だけでは捉えられないと疑うのは当然である。しかし、この研究で特に懸念されるのは、反事実事象の可視化が複雑な思考のメカニズムとして言語を補完できるかどうかである。我々は、LCMがそれらの推論能力の恩恵を受ける方法で、このような可視化メカニズムを活用できるように訓練できるかどうかを問う。この疑問に触発され、アインシュタイン世界モデルを提案する。 EWMは、LLMベースの推論システムのための青写真であり、推論トレース内に視覚的時間的ロールアウトを配置することで、テキストだけではうまくサポートできない方法での推論を可能にする。 EWMでは、LLMはワールドモジュール(ワールドモデルと混同しないように)と呼ばれ、考慮中のシーンの短いロールアウトを生成する。返却されたロールアウトは回答ではなく、後の推論をサポートする検査可能な仮説として扱われる。 Einstein World Modelsは、ツールコール(Web検索やコード実行など)のためのLLMの機能を視覚的な思考実験の領域に拡張する。

関連論文リスト

Language Models Do Not Follow Occam's Razor: A Benchmark for Inductive and Abductive Reasoning [6.06071622429429]
この研究は、大規模言語モデルの帰納的推論能力と帰納的推論能力を評価することに重点を置いている。プログラム可能で合成可能なデータセットであるInAbHyDを導入し、各推論例は不完全な世界モデルと観測セットから構成される。我々はOccamのRazorに基づく仮説の質を評価するための新しい指標を提案する。
論文参考訳（メタデータ） (2025-09-03T14:22:42Z)
SituatedThinker: Grounding LLM Reasoning with Real-World through Situated Thinking [39.73398416448668]
我々はSituatedThinkerを紹介した。これは大規模な言語モデルが現実世界の文脈で推論を基礎づけることを可能にするフレームワークだ。強化学習を利用することで、SituatedThinkerは現実世界と意図的に推論して情報とフィードバックを得る。実験結果から,マルチホップ質問応答と数理推論のベンチマークにおいて,大幅な性能向上が得られた。
論文参考訳（メタデータ） (2025-05-25T20:20:04Z)
On the Thinking-Language Modeling Gap in Large Language Models [68.83670974539108]
言語と思考のモデリングには大きなギャップがあることが示される。本稿では,このギャップを実証し緩和するために,Language-of-Thoughts (LoT) と呼ばれる新しいプロンプト手法を提案する。
論文参考訳（メタデータ） (2025-05-19T09:31:52Z)
Language Models Fail to Introspect About Their Knowledge of Language [12.074939242230505]
大規模言語モデル (LLM) が内部状態を検査できるかどうかを検討する。モデルがメタ言語的刺激に対する応答を、内部知識を忠実に反映しているかどうかを評価する。メタ言語的プロンプトと確率比較は高いタスク精度をもたらすが、LLMが「自己アクセス」を特権化している証拠は見つからない。
論文参考訳（メタデータ） (2025-03-10T16:33:14Z)
Language Agents Meet Causality -- Bridging LLMs and Causal World Models [50.79984529172807]
因果表現学習を大規模言語モデルと統合する枠組みを提案する。このフレームワークは、自然言語表現に関連付けられた因果変数を持つ因果世界モデルを学ぶ。本研究では,時間的スケールと環境の複雑さを考慮した因果推論と計画課題の枠組みを評価する。
論文参考訳（メタデータ） (2024-10-25T18:36:37Z)
LaMsS: When Large Language Models Meet Self-Skepticism [3.1410859223862113]
本稿では,大規模言語モデルの意味理解能力と自己懐疑性を組み合わせたLaMsSを提案する。 LaMsSは、マルチ選択質問とオープンドメイン質問回答ベンチマークの両方のベースラインよりも優れたパフォーマンスを実現している。我々の研究は、さらなる人工知能の自己懐疑論モデルに光を当てている。
論文参考訳（メタデータ） (2024-09-10T15:51:15Z)
Mind's Eye of LLMs: Visualization-of-Thought Elicits Spatial Reasoning in Large Language Models [71.93366651585275]
大規模言語モデル(LLM)は、言語理解と様々な推論タスクにおいて印象的な性能を示した。本稿では,LLMの空間的推論を視覚的に行うために,VoT(Visual-of-Thought)を提案する。 VoTはLLMの空間的推論能力を著しく向上させる。
論文参考訳（メタデータ） (2024-04-04T17:45:08Z)
Democratizing Reasoning Ability: Tailored Learning from Large Language Model [97.4921006089966]
そこで我々は,そのような推論能力をより小さなLMに蒸留する,適切な学習手法を提案する。対話型多ラウンド学習パラダイムを構築することにより,理科教員としてのLLMの可能性を活用する。より小さなLMの推論可能性を活用するために,学生が自作ミスから学習する動機付けを目的とした自己回帰学習を提案する。
論文参考訳（メタデータ） (2023-10-20T07:50:10Z)
Large Language Models are In-Context Semantic Reasoners rather than Symbolic Reasoners [75.85554779782048]
大規模言語モデル(LLM)は、近年、自然言語と機械学習コミュニティを興奮させています。多くの成功を収めたアプリケーションにもかかわらず、そのようなコンテキスト内機能の基盤となるメカニズムはまだ不明である。本研究では,学習した言語トークンのテクストセマンティクスが推論過程において最も重い処理を行うと仮定する。
論文参考訳（メタデータ） (2023-05-24T07:33:34Z)
Inner Monologue: Embodied Reasoning through Planning with Language Models [81.07216635735571]
大規模言語モデル(LLM)は自然言語処理以外の領域に適用できる。具体化された環境でのLLMの計画には、何をすべきかだけでなく、どのように、いつ行うべきかを考える必要がある。環境フィードバックを活用することで、LLMはロボット制御シナリオにおいてよりリッチな処理と計画を行うことができる内部モノローグを形成することができる。
論文参考訳（メタデータ） (2022-07-12T15:20:48Z)

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。