論文の概要: Dynamo: Dynamic Skill-Tool Evolution for Vision-Language Agents

• arxiv url: http://arxiv.org/abs/2606.30185v1
• Date: Mon, 29 Jun 2026 11:59:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.21156
• Title: Dynamo: Dynamic Skill-Tool Evolution for Vision-Language Agents
• Title（参考訳）: Dynamo: ビジョンランゲージエージェントのためのダイナミックスキルツール進化
• Abstract要約: Dynamoは、凍結したVLMを重み付けなしで適応する、トレーニング不要のフレームワークである。 認知的ボトルネックに対する再利用可能な推論スキルと、知覚的ボトルネックに対する実行可能な視覚ツールの2つの補完的能力が進化している。 4つの視覚的推論ベンチマークと5つのVLMバックボーンで、Dynamoはベンチマーク設定の20モデルすべてに対する直接推論を改善している。
• 参考スコア（独自算出の注目度）: 23.54072087150702
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Improving vision-language models (VLMs) on visual reasoning typically requires retraining or hand-designed prompts and tools. We present Dynamo, a training-free framework that adapts a frozen VLM without any weight updates. On a small labeled training subset, the agent inspects its own correct and incorrect attempts and evolves two complementary capabilities: reusable reasoning skills for cognitive bottlenecks, and executable visual tools for perceptual ones. Each generated tool is paired with a skill that specifies when to invoke it, and both capability types accumulate in a persistent library. Across four visual reasoning benchmarks and five VLM backbones, Dynamo improves direct inference on all 20 model--benchmark settings (avg. +5.6 acc). When the tool set is given in advance, the framework learns when to call each tool, and per-step tool choice improves on every tested backbone. Against task-specific RL (VTool-R1, DeepEyes), Dynamo closes 65--99% of the RL gap at a fraction of the compute, and combines additively with RL when available.
• Abstract（参考訳）: 視覚推論における視覚言語モデル(VLM)の改善には、通常、トレーニングや手書きのプロンプトやツールが必要になる。 トレーニング不要のフレームワークであるDynamoは、凍結したVLMを重み付けなしで適応する。 小さなラベル付きトレーニングサブセットでは、エージェントが自身の正確で誤った試みを検査し、2つの補完的な能力、すなわち認知的ボトルネックに対する再利用可能な推論スキルと、知覚的障害に対する実行可能な視覚ツールを進化させる。 各生成ツールは、いつ呼び出すかを指定するスキルとペアリングされ、どちらの機能タイプも永続的なライブラリに蓄積される。 4つの視覚的推論ベンチマークと5つのVLMバックボーンにまたがって、Dynamoは20種類のベンチマーク設定(+5.6 acc)の直接推論を改善している。 ツールセットが事前に提供されると、フレームワークは各ツールを呼び出すタイミングを学習し、テストされたバックボーン毎にステップごとのツール選択が改善される。 タスク固有のRL(VTool-R1, DeepEyes)に対して、Dynamoは計算のごく一部でRLギャップの65-99%を閉じ、利用可能な場合には加法的にRLと結合する。

関連論文リスト

• Skill is Not One-Size-Fits-All: Model-Aware Skill Alignment for LLM Agents [9.144810798419975]
  LLMエージェントは、長期の対話的タスクのパフォーマンスを向上させるために、意思決定時に取得した外部キュレートされたスキル・プロデューラルな指示を徐々に取り出す。 エージェントの重みを変更することなく、各ターゲットのバックボーンにスキルを適応させるフレームワークであるMASA Model-Aware Skill Alignmentを提案する。 MASAは、最強のベースラインで最大25.8ポイントを獲得して、常に最高の総合成績を収めている。
  論文  参考訳（メタデータ） (2026-05-29T01:34:42Z)
• Are Tools Always Beneficial? Learning to Invoke Tools Adaptively for Dual-Mode Multimodal LLM Reasoning [44.46498720264651]
  本稿では,各クエリの特徴に応じてツールを呼び出すかどうかを適応的に決定するモデルであるAutoToolを紹介する。 強化学習フレームワーク内では、モード固有の報酬関数を持つ明示的な二重モード推論戦略を設計する。 実験により、AutoToolは優れた性能と高い効率を示すことが示された。
  論文  参考訳（メタデータ） (2026-05-19T13:44:26Z)
• Tool-R0: Self-Evolving LLM Agents for Tool-Learning from Zero Data [49.315842374696295]
  大規模言語モデル(LLM)は、複雑なタスクを解決するツールを使用する自律エージェントの基盤になりつつある。 本稿では,汎用ツールコールエージェントをセルフプレイRLでスクラッチからトレーニングするためのツール-R0フレームワークを提案する。 我々の研究は、共進化、カリキュラムのダイナミクス、スケーリングの振る舞いを分析することで、自己プレイのLCMエージェントに関する経験的な洞察を提供する。
  論文  参考訳（メタデータ） (2026-02-24T19:41:18Z)
• AdaReasoner: Dynamic Tool Orchestration for Iterative Visual Reasoning [66.24374176797075]
  textbfAdaReasonerは、ツール固有の、あるいは明示的な教師付き行動ではなく、一般的な推論スキルとしてツールの使用を学ぶマルチモーダルモデルのファミリーである。 AdaReasonerは、(i)スケーラブルなデータキュレーションパイプラインによって、長期にわたる多段階のツールインタラクションにモデルを公開し、(ii)ツール-GRPO、(ii)ツールの選択とシークエンシングをエンドツーエンドの成功に基づいて優先順位付けする強化学習アルゴリズム、(iii)ツールの使用を動的に規制する適応学習メカニズムによって実現されている。
  論文  参考訳（メタデータ） (2026-01-26T16:04:43Z)
• AutoTool: Dynamic Tool Selection and Integration for Agentic Reasoning [79.65732142949014]
  エージェント強化学習は、長いチェーン・オブ・シークレット・トラジェクトリを通して推論するために進歩した大規模言語モデル(LLM)である。 既存のアプローチでは、LLMエージェントの適応性を新しいツールセットや進化するツールセットに制限する、固定されたツールの在庫を前提としている。 本稿では, LLMエージェントに動的ツール選択機能を持たせるためのフレームワークであるAutoToolについて述べる。
  論文  参考訳（メタデータ） (2025-12-15T12:38:04Z)
• SpaceTools: Tool-Augmented Spatial Reasoning via Double Interactive RL [33.692408134748696]
  視覚言語モデル(VLM)は、質的な視覚的理解が強いが、計量的に正確な空間的推論に苦慮している。 本稿では,VLMが複数のツールを協調する2段階の学習フレームワークであるDouble Interactive Reinforcement Learning(DIRL)を紹介する。 我々のモデルであるSpaceToolsは、ツール強化された空間推論能力を持ち、空間理解ベンチマーク上で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-12-03T18:50:04Z)
• VerlTool: Towards Holistic Agentic Reinforcement Learning with Tool Use [78.29315418819074]
  VerlToolは、体系的な設計原則を通じて制限に対処する統一的でモジュール化されたフレームワークです。 我々のフレームワークはARLTをマルチターントラジェクトリとして定式化し、マルチモード観測トークン(テキスト/画像/ビデオ)を単一ターンRLVRパラダイムを超えて拡張する。 モジュール化されたプラグインアーキテクチャは、軽量Python定義のみを必要とする迅速なツール統合を可能にする。
  論文  参考訳（メタデータ） (2025-09-01T01:45:18Z)
• OpenThinkIMG: Learning to Think with Images via Visual Tool Reinforcement Learning [57.89304342666846]
  OpenThinkIMGは、ツール拡張LVLMのための、最初のオープンソースで包括的なエンドツーエンドフレームワークです。 本稿では,LVLMを学習し,外部視覚ツールを起動するための適応的なポリシーを学ぶための,新しい強化学習フレームワークV-ToolRLを提案する。 V-ToolRLにより、LVLMは最適なツール利用戦略を自律的に発見できる。
  論文  参考訳（メタデータ） (2025-05-13T14:35:51Z)
• ToolRL: Reward is All Tool Learning Needs [54.16305891389931]
  大規模言語モデル(LLM)は、ツールの使用能力を得るために、しばしば監督された微調整(SFT)を行う。 近年の強化学習(RL)の進歩は、有望な推論と一般化能力を示している。 本稿では、RLパラダイムにおけるツール選択とアプリケーションタスクに対する報酬設計に関する最初の総合的研究について述べる。
  論文  参考訳（メタデータ） (2025-04-16T21:45:32Z)

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。