論文の概要: UNIBROWSE: A Data-to-Agent Framework for Multimodal BrowseComp
- arxiv url: http://arxiv.org/abs/2607.10557v1
- Date: Sun, 12 Jul 2026 04:13:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.467174
- Title: UNIBROWSE: A Data-to-Agent Framework for Multimodal BrowseComp
- Title（参考訳）: UNIBROWSE:マルチモーダルBrowseCompのためのデータ・ツー・エージェント・フレームワーク
- Abstract要約: 実世界のマルチモーダルブラウジングには3つの異なる情報フローパターンがある。
UNIBROWSEは3つのパターンすべてをカバーするトレーニングデータを同時に生成する統合データパイプラインである。
UNIBROWSEエージェントは、マルチモーダルなBrowseCompベンチマークで最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 14.339105360523831
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal BrowseComp tasks require agents to combine perception, tool use, and long-horizon reasoning over dynamic web content, challenging their ability to handle compositional structure, open-world uncertainty, and multimodal integration across extended interactions. Crucially, real-world multimodal browsing involves three distinct information-flow patterns: text-only, image-to-text, and text-to-image, yet existing data construction methods cover only the text-only and image-to-text patterns, leaving text-to-image largely unaddressed and limiting agent generality and robustness. We introduce UNIBROWSE, a unified data pipeline that for the first time simultaneously generates training data covering all three patterns, augments curated knowledge graphs with live web retrieval for improved fidelity, and introduces a novel metric of exploration degree to filter low-signal instances for efficient reinforcement learning. Through this pipeline, we produce high-quality cold-start tool-use trajectories and exploration-rich QA pairs, and train a 35B-scale agent via supervised fine-tuning and exploration-aware RL.The resulting UNIBROWSE agent achieves state-of-the-art performance on multimodal BrowseComp benchmarks, attaining an average accuracy of 54.4 across five diverse benchmarks -- an improvement of 10.5 points over its base model Qwen3.5-35B-A3B -- and surpassing serveral closed-source agent workflows such as GPT-5 (42.9), Gemini-2.5 Pro (44.8), and Gemini-2.5 Flash (41.3).
- Abstract（参考訳）: マルチモーダルBrowseCompタスクは、動的Webコンテンツに対する知覚、ツールの使用、長期水平推論を組み合わせるためにエージェントを必要とし、構成構造、オープンワールドの不確実性、および拡張された相互作用におけるマルチモーダル統合を扱う能力に挑戦する。
重要なことに、実世界のマルチモーダルブラウジングには3つの異なる情報フローパターンがある: テキストのみ、画像からテキストへ、そしてテキストから画像へ、そして既存のデータ構築手法は、テキストのみと画像からテキストへのパターンのみをカバーする。
UNIBROWSEは,3つのパターンすべてをカバーするトレーニングデータを同時に生成する統合データパイプラインで,実時間Web検索による知識グラフの強化による忠実度向上と,低信号のインスタンスをフィルタリングして効率的な強化学習を行うための探索度の新しい指標の導入を行う。
UNIBROWSEエージェントは、マルチモーダルBrowseCompベンチマークで最先端のパフォーマンスを実現し、5つの多様なベンチマークで54.4の平均精度を達成し、ベースモデルQwen3.5-35B-A3Bよりも10.5ポイント向上し、GPT-5 (42.9)、Gemini-2.5 Pro (44.8)、Gemini-2.5 Flash (41.3)のようなサーバクローズドソースエージェントワークフローを超越した、高品質のコールドスタートツールとQAペアを作成し、35Bスケールエージェントをトレーニングする。
関連論文リスト
- WeAgent-MMGenEdit: A Full-Stack Recipe for Multimodal Agentic Image Generation and Editing [51.8784267764917]
WeAgent-MMGenEditはマルチモーダルハーネス、スケーラブルなデータ構築パイプライン、包括的なベンチマーク、エージェントポリシーとイメージバックエンドのためのポストトレーニングメソッドを含むフルスタックのレシピである。
最初にWeAgent-Harnessを紹介した。これは、永続的なエビデンス管理と、検索したマルチモーダルエビデンスを高密度キャリアにまとめる専用の検証と統合ツールである。これを用いて、高速な合成とエージェント軌道収集のためのスケーラブルなパイプラインを開発し、23Kの教師付きトラジェクトリと14.7KのRLタスクを3層検証チェックリストで生成する。
論文 参考訳（メタデータ） (2026-09-04T14:12:03Z) - Rendering-in-the-Loop: An Execution-Driven Agent for Interactive Web Development [11.314424904357212]
本稿では,ブラウザのレンダリングをループに配置し,実行時のインタラクションフィードバックから生成されたコードを反復的に編集する,実行駆動エージェントRILAを提案する。
IWR-Benchでは、RILAはファンデーションモデル間の相互作用と視覚的忠実度を一貫して改善する。
論文 参考訳（メタデータ） (2026-09-02T04:27:45Z) - WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents [53.426679066400844]
WeAgent-Harnessは、ネイティブテキストビジョンインタラクションと実行時リカバリをサポートするマルチモーダルエージェントハーネスである。
WeAgent-MMSearchは,データ構築,エージェントポストトレーニング,マルチモーダルロールアウトにまたがる統合システムである。
また、150タスクの人間認証ベンチマークであるVisTarget-Benchを紹介します。
論文 参考訳（メタデータ） (2026-08-28T08:28:43Z) - SearchEyes: Towards Frontier Multimodal Deep Search Intelligence via Search World Simulation [26.8807904319691]
模擬検索世界のバックボーンとして型付き知識グラフを用いたtextbfSearchEyes を提案する。
Wikidata5Mの視覚的知識交差点上の制約付きマルチホップパスをサンプリングするために,textbfPerception-Knowledge Chains (PKC)を提案する。
6つのマルチモーダルな知識集約型ベンチマーク実験により,SearchEyesはオープンソースのマルチモーダル検索エージェントの最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2026-07-07T07:43:04Z) - EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。
実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。
EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
論文 参考訳（メタデータ） (2026-06-09T17:57:16Z) - MTA-Agent: An Open Recipe for Multimodal Deep Search Agents [51.180338423927985]
MLLM(Multi-hop large language model)は、視覚的理解において強力な能力を示しているが、複雑な多段階推論において制限されている。
証拠ベースQA合成のためのマルチホップツール拡張エージェント(MTA-Agent)を提案する。
MTA-Agentは、視覚的およびテキストソースから証拠を検索し、検証するためのツールとそのパラメータを自動的に選択する。
論文 参考訳（メタデータ） (2026-04-07T19:01:45Z) - COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである
フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。
TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
論文 参考訳（メタデータ） (2026-03-25T07:20:27Z) - WideSeek-R1: Exploring Width Scaling for Broad Information Seeking via Multi-Agent Reinforcement Learning [15.087327596252932]
既存のマルチエージェントシステムは、作業の並列化に失敗した手作りとターンテイクのインタラクションに依存していることが多い。
拡張性のあるオーケストレーションと並列実行を相乗化するために,マルチエージェント強化学習(MARL)を用いてトレーニングされたリードエージェントサブエージェントフレームワークであるWideSeek-R1を提案する。
WideSeek-R1-4Bは、シングルエージェントのDeepSeek-R1-671Bのパフォーマンスに匹敵する、WideSearchベンチマークで40.0%のアイテムF1スコアを達成している。
論文 参考訳（メタデータ） (2026-02-04T15:05:12Z) - PRInTS: Reward Modeling for Long-Horizon Information Seeking [74.14496236655911]
PRInTS(PRInTS)は、二重機能で訓練された生成型PRMである。
PRInTSは,オープンソースモデルと特殊エージェントの情報検索能力を向上させる。
論文 参考訳（メタデータ） (2025-11-24T17:09:43Z) - A Modular, Data-Free Pipeline for Multi-Label Intention Recognition in Transportation Agentic AI Applications [12.25149118082394]
輸送におけるエージェントAIアプリケーションに対して,マルチラベル意図認識のためのモジュール型データフリーパイプラインを提案する。
大規模で注釈付きコーパスに依存する従来の意図認識システムとは異なり、当社のアプローチはコストのかかるデータ収集の必要性を排除している。
我々のシステムはユーザクエリをタスク固有のモジュールにシームレスにルーティングし、完全な自律的意図認識エージェントの基盤となる。
論文 参考訳（メタデータ） (2025-11-05T11:08:08Z) - TOUCAN: Synthesizing 1.5M Tool-Agentic Data from Real-World MCP Environments [30.078263383249862]
Toucanは、これまでで最大規模のツール・アジェンティックデータセットである。
多様な、現実的で、挑戦的なタスクを、実際のツールの実行を含む軌道で生成します。
論文 参考訳（メタデータ） (2025-10-01T17:58:03Z) - mmE5: Improving Multimodal Multilingual Embeddings via High-quality Synthetic Data [71.352883755806]
マルチモーダル埋め込みモデルは、テキストや画像などの様々なモダリティからデータを統一表現空間にマッピングする能力において、大きな注目を集めている。
しかし、ラベル付きマルチモーダルデータは、しばしば埋め込み性能を妨げる。
近年のアプローチでは、この問題に対処するためにデータ合成を活用しているが、合成データの質は依然として重大なボトルネックとなっている。
論文 参考訳（メタデータ） (2025-02-12T15:03:33Z) - Contrastive Transformer Learning with Proximity Data Generation for
Text-Based Person Search [60.626459715780605]
記述的なテキストクエリーを与えられたテキストベースの人物検索は、画像ギャラリーからベストマッチした人物を検索することを目的としている。
このようなクロスモーダル検索タスクは、重要なモダリティギャップ、きめ細かい相違、注釈付きデータの不十分さのため、かなり難しい。
本稿では,テキストに基づく人物検索のための2つのトランスフォーマーモデルを提案する。
論文 参考訳（メタデータ） (2023-11-15T16:26:49Z)
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。