論文の概要: Decodable Is Not Grounded: A Vision-Ablation Arbiter for VLM Spatial Reasoning

• arxiv url: http://arxiv.org/abs/2606.31257v1
• Date: Tue, 30 Jun 2026 07:33:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.115726
• Title: Decodable Is Not Grounded: A Vision-Ablation Arbiter for VLM Spatial Reasoning
• Title（参考訳）: Deodableは地上にない:VLM空間推論のためのビジョンアブレーション・アービタ
• Abstract要約: モデルから潜在的知識を読み出す標準的な方法は、視覚言語モデルがイメージに根ざしたものを体系的に上書きすることができる。 本研究では,空間的推論において,一直線因果制御によって露呈した探究と操舵の両方に誤差が見えないことを示す。
• 参考スコア（独自算出の注目度）: 48.438568700670835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The standard way to read latent knowledge out of a model, a linear probe confirmed by a steering recovery, can systematically overstate what a vision-language model (VLM) actually grounds in the image. We show this on spatial reasoning, where the error is invisible to both probing and steering yet exposed by a one-line causal control: replacing the image with a gray blank. Probes decode the within-axis answer at 73--97% across axes, and a training-free projection lifts a near-chance axis from 59% to 79%, exactly the signature of unlocking latent knowledge. The blank-image arbiter refutes it, revealing three grounding regimes that probing conflates: an axis can be grounded (vision-dependent, correct), a prior (vision-independent, with its decode and its apparent recovery a directional default rather than perception), or, surprisingly, inverted: decodable, causally controllable, but deployed with the wrong sign, so the model scores below chance and the error requires looking. The taxonomy holds across the studied VLMs: in fourteen models spanning six language-model families and 2B--27B, horizontal is grounded, vertical is a prior, and depth is inverted, with the inversion emerging at scale within families. The decode-versus-deploy inversion replicates on seven of eight models across five families, and the minimal edit that re-deploys it varies with geometry: a training-free rotation matches a trained edit on the cleanest model, while distributed inversions need a trained low-rank edit, tracing a per-model correction-complexity spectrum. The cheap, self-calibrating arbiter cleanly separates grounded perception, inverted perception, and prior substitution; we argue it should be a default control for latent-knowledge and steering claims in VLMs.
• Abstract（参考訳）: モデルから潜在知識を読み取る標準的な方法は、ステアリングリカバリによって確認された線形プローブであり、視覚言語モデル(VLM)が実際に画像にどのような根拠を持つのかを体系的に上書きすることができる。 空間的推論において、この誤差は探索と操舵の両方に見えず、1行の因果制御により露呈され、画像はグレーのブランクに置き換えられる。 プローブは軸を横切る73-97%で軸内応答をデコードし、トレーニングフリープロジェクションは59%から79%に近距離軸を持ち上げる。 軸を接地(ビジョン依存、正しい)、先行(ビジョン非依存、そのデコードと明らかな回復は知覚よりも間接的なデフォルトである)、あるいは驚くほど、逆転した:陰極性で因果的に制御できるが、間違った符号で配置されるため、モデルがチャンスよりも低いスコアとエラーを検査する必要がある。 6つの言語モデルファミリーと2B-27Bにまたがる14のモデルにおいて、水平が接地され、垂直が先行し、深さが逆転し、家族内で大規模な逆転が生じる。 トレーニングなし回転は、最もクリーンなモデルで訓練された編集と一致し、分散反転は、トレーニングされた低ランクな編集を必要とし、モデル毎の補正・複雑度スペクトルをトレースする。 安価で自己校正可能なアービターは、基底的知覚、逆知覚、および事前置換をきれいに分離し、我々はVLMにおける潜在知識とステアリングクレームのデフォルト制御であるべきだと論じている。

関連論文リスト

• Visual Grounding in Zero-Shot Vision-Language Control [0.0]
  視覚言語モデル(VLM)は、ゼロショットコントローラとしてますます使われているが、成功した軌道は、必ずしも決定が視覚入力に基礎を置いていることを示さない。 我々はこれを、ブラインドイメージ制御、繰り返し同じ入力、車線軸反射、非視覚ベースライン、パイプライン積分チェックといった入力アブレーション電池を用いて検討する。 実験では,9つの直接動作モデル,6つの局所的VLM,探索的VLM-MPC階層に対して,2つの実施形態と3つのシミュレータに対する32,874の呼び出しを解析した。
  論文  参考訳（メタデータ） (2026-08-06T15:21:42Z)
• Visually Grounded Self-Reflection for Vision-Language Models via Reinforcement Learning [40.28153252530189]
  大規模な視覚言語モデルは、テキスト・チェーン・オブ・シンキングを生成することで、マルチモーダル・インプットを推論することができる。 CoT推論で示される重要な機能は、自己修正 — 以前の決定を再検討し、以前のエラーを修正する — である。 既存のLVLMは反射中の視覚入力に適切に対応できず、フィードバックを接地補正に変換する能力を制限する。 本稿では,視覚的に接地した自己反射を誘発する2つのコンポーネントを明示的に設計した,新しい強化学習学習フレームワークVRRLを提案する。
  論文  参考訳（メタデータ） (2026-07-02T17:53:15Z)
• Iterative Visual Thinking: Teaching Vision-Language Models Spatial Self-Correction through Visual Feedback [0.023227405857540805]
  視覚言語モデル(VLM)は、強い単一ショット空間グラウンドを達成するが、自身の予測を観察し修正するメカニズムは欠如している。 本稿では,モデルが境界ボックスを予測するクローズドループフレームワークであるIterative Visual Thinking (IVT)を提案する。 すべてのトレーニングでは、単一のGPU上で2400のサンプルしか使用せず、空間的な自己補正が、適度なスケールで注入できる学習可能な能力であることを実証している。
  論文  参考訳（メタデータ） (2026-06-11T10:27:29Z)
• Trait-space Monitoring for Emergent Misalignment During Supervised Finetuning [13.759856460598087]
  創発的ミスアライメント(EM)は、モデルが微調整タスクの外で危険な振る舞いをするときに発生する。 標準的な訓練信号はこのシフトを見逃しかねず、繰り返しの行動評価に依存する場合、信頼性の高い検出にコストがかかる。 微調整中に内部表現から創発的不整合を検出することができるかどうかを問う。
  論文  参考訳（メタデータ） (2026-05-31T04:28:21Z)
• Mitigating Hallucination in Vision-Language Models through Barrier-Regulated Adaptive Closed-form Steering [2.497926557563177]
  大型視覚言語モデル(LVLM)は入力画像に存在しない物体を幻覚させる。 既存の推論時間緩和手法は、世代を通してロジットや隠れた状態を修正している。 彼らは明確な接地目標を欠き、モデルが既に十分に接地されている場合でも介入し、接地失敗の深刻さに適応しない固定された補正強度を使用する。 本稿では,バリアレス適応型クローズドフォームステアリングにより,これらの問題に対処する,トレーニングフリーなステアリングフレームワークであるBRACSを提案する。
  論文  参考訳（メタデータ） (2026-05-28T13:07:01Z)
• ETCHR: Editing To Clarify and Harness Reasoning [70.02956047187827]
  ETCHR (Editing To Clarify and Harness Reasoning) は質問条件付き推論対応画像エディタである。 2つのギャップをターゲットとした2段階のレシピでトレーニングされている: 教師付き微調整によるイミテーションの推論、VLM由来の報酬による修正精度と下流の推論精度の推論。 エディタは分離されているため、ETCHRは異なるオープンソースおよびクローズドソースのMLLMをトレーニングなしでプラグインする。
  論文  参考訳（メタデータ） (2026-05-22T17:58:28Z)
• Do Vision--Language Models Understand 3D Scenes or Just Catalogue Objects? [0.0]
  6フロンティアとオープンウェイトVLMは, LLM-as-judgeを伴わない18,204応答でアノテーターによって測定され, 急激な解離を示した。 目に見えるレイアウトを53～97%精度で再配置し、衝突の制約にほとんど違反しないモデルは、閉塞時に6～45%、反射時に7%以下に低下する。 Qwen3-VL-8B-Thinkingのホワイトボックス解析は、視覚的統合の失敗をローカライズする。
  論文  参考訳（メタデータ） (2026-05-19T20:01:19Z)
• To See or To Please: Uncovering Visual Sycophancy and Split Beliefs in VLMs [1.9349092719498848]
  Tri-Layer Diagnostic Frameworkは、潜在異常検出、ビジュアル必要スコア、コンペティションスコアという3つのメトリクスを通じて幻覚ソースをアンハングルする。 我々の分類では、69.6%のサンプルが視覚的シコファンシーを示しており、モデルは視覚異常を検知するが、ユーザーの期待を満足させるために幻覚を与える。
  論文  参考訳（メタデータ） (2026-03-19T00:15:05Z)
• Spatial-SSRL: Enhancing Spatial Understanding via Self-Supervised Reinforcement Learning [93.19037653970622]
  本研究では,通常のRGBやRGB-D画像から直接検証可能な信号を導出する自己教師付きRLパラダイムである空間SSRLを紹介する。 我々のタスクの訓練は、一般的な視覚能力を維持しながら空間的推論を大幅に改善する。 以上の結果から,単純で本質的な監視がRLVRを大規模に実現し,LVLMの空間知能を高めるための実践的経路が示唆された。
  論文  参考訳（メタデータ） (2025-10-31T16:30:08Z)
• LoLep: Single-View View Synthesis with Locally-Learned Planes and Self-Attention Occlusion Inference [66.45326873274908]
  本稿では,1枚のRGB画像から局所学習平面を回帰してシーンを正確に表現するLoLepを提案する。 MINEと比較して、LPIPSは4.8%-9.0%、RVは73.9%-83.5%である。
  論文  参考訳（メタデータ） (2023-07-23T03:38:55Z)
• Lateral Ego-Vehicle Control without Supervision using Point Clouds [50.40632021583213]
  既存の視覚に基づく横方向の車両制御に対する教師付きアプローチは、RGB画像を適切な操舵コマンドに直接マッピングすることができる。 本稿では、横方向の車両制御のための、より堅牢でスケーラブルなモデルをトレーニングするためのフレームワークを提案する。 オンライン実験により,本手法の性能は教師付きモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-20T21:57:32Z)
• Orthogonal Jacobian Regularization for Unsupervised Disentanglement in Image Generation [64.92152574895111]
  直交ジャコビアン正規化法(OroJaR)を提案する。 提案手法は, 絡み合った, 制御可能な画像生成に有効であり, 最先端の手法に対して好適に機能する。
  論文  参考訳（メタデータ） (2021-08-17T15:01:46Z)

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。