論文の概要: SD-MAR: Multi-image Analytical Reasoning via Synthetic Data and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2607.14333v1
• Date: Wed, 15 Jul 2026 19:55:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.900671
• Title: SD-MAR: Multi-image Analytical Reasoning via Synthetic Data and Reinforcement Learning
• Title（参考訳）: SD-MAR:合成データと強化学習によるマルチイメージ分析推論
• Abstract要約: SD-MAR(SD-MAR)は視覚言語モデル(VLM)を学習・評価するためのフレームワークである。 SD-MARは、制御された摂動を通してペア化された視覚シナリオを構築し、意味変化の属性と量的比較にまたがる推論タスクを生成する。 SD-MARベンチマークでは,Qwen2.5-VL-7BがGPT-4.1を上回っ,GRPOライトによるSD-MARの微調整によりドメイン内の精度が最大36.95%向上することを示した。
• 参考スコア（独自算出の注目度）: 13.79533690995798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision Language Models (VLMs) demonstrate strong perceptual abilities but remain limited in tasks requiring analytical reasoning across multiple visual states, such as multi-image comparison, change detection, and multi-step visual inference. These capabilities are critical for real-world multimodal applications where reasoning must be grounded in systematic differences between visual contexts. However, existing benchmarks rarely require both explicit visual comparison and analytical reasoning, leaving this capability underexplored. To address this gap, we introduce SD-MAR (Synthetic Data for Multi-image Analytical Reasoning), a framework for training and evaluating VLMs on multi-image analytical reasoning. SD-MAR constructs paired visual scenarios through controlled perturbations and generates reasoning tasks spanning semantic change attribution and quantitative comparison. We further train VLMs using GRPO-lite with Backward Discounted Allocation (BDA), a reinforcement learning approach that removes KL regularization to encourage stronger policy optimization while allocating greater credit to the later reasoning steps where analytical conclusions are formed. Experiments on Qwen2.5-VL-7B and InternVL3-8B show that GRPO-lite fine-tuning on SD-MAR improves in-domain accuracy by up to 36.95%, with Qwen2.5-VL-7B outperforming GPT-4.1 on the SD-MAR benchmark. Importantly, out-of-domain generalization is preserved or improved: performance remains within 1% on MME, MMMU-Pro, and MathVista, while improving by up to 4% on MMBench. LLM-as-judge evaluation further demonstrates consistent improvements in logical coherence and explanation quality across both models.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、強い知覚能力を示すが、マルチイメージ比較、変化検出、多段階視覚推論など、複数の視覚状態にわたる解析的推論を必要とするタスクに制限される。 これらの機能は、視覚的コンテキストの体系的な違いに推論を根ざさなければならない実世界のマルチモーダルアプリケーションにとって重要である。 しかし、既存のベンチマークでは、明示的な視覚比較と分析的推論の両方を必要とすることはめったにない。 SD-MAR(Synthetic Data for Multi-image Analytical Reasoning)は,マルチイメージ分析推論に基づくVLMのトレーニングと評価を行うフレームワークである。 SD-MARは、制御された摂動を通してペア化された視覚シナリオを構築し、意味変化の属性と量的比較にまたがる推論タスクを生成する。 我々はさらに, GRPO-lite と Backward Discounted Allocation (BDA) を用いて VLM を訓練する。これは, KL 正規化を除去し, より強力な政策最適化を促進するとともに, 解析的結論が形成される後の推論ステップにより大きな信用を割り当てる強化学習手法である。 Qwen2.5-VL-7BとInternVL3-8Bの実験では、SD-MARのGRPOライトの微調整により、最大36.95%の精度が向上し、Qwen2.5-VL-7BはSD-MARベンチマークでGPT-4.1を上回った。 MME、MMMU-Pro、MathVistaではパフォーマンスが1%以内であり、MMBenchでは最大4%向上している。 LLM-as-judge評価はさらに、論理コヒーレンスと説明品質の両モデル間で一貫した改善を示す。

関連論文リスト

• Benchmarking Large Vision-Language Models on Fine-Grained Image Tasks: From Evaluation to Diagnosis [63.49939245944781]
  我々は1100万の質問と0.28万の画像を含む総合的なきめ細かい評価ベンチマークであるFG-BMKを紹介する。 現在のLVLMは、視覚的表現、セマンティックグラウンドディング、モダリティアライメント、カテゴリーレベルの知識において、相互に絡み合ったボトルネックから生じる障害を伴って、微粒化認識器が不十分なままである。
  論文  参考訳（メタデータ） (2026-06-17T13:23:26Z)
• What, Whether and How? Unveiling Process Reward Models for Thinking with Images Reasoning [18.918845075485]
  この研究は、画像パラダイムによる思考の下で、プロセスリワードモデル(PRM)を評価するために特別に設計された最初の包括的なベンチマークを紹介する。 7種類のきめ細かいエラータイプを定義し、特殊なPRMの必要性と改善の可能性の両方を実証する。 実験により,現在のLVLMは実効PRMと同等に低下し,誤差の種類,肯定的評価バイアス,推論ステップ位置に対する感度に有意な差が認められた。
  論文  参考訳（メタデータ） (2026-02-09T07:31:14Z)
• Vision-aligned Latent Reasoning for Multi-modal Large Language Model [82.26044667101011]
  VaLR(Vision-aligned Latent Reasoning)は、思考の連鎖の推論ステップの前に動的に視覚対応の潜在トークンを生成するフレームワークである。 VaLRは、MLLMの中間埋め込みを視覚エンコーダのものと整合させることにより、推論中の視覚的知識の保存を訓練する。
  論文  参考訳（メタデータ） (2026-02-04T12:04:02Z)
• Perception-Consistency Multimodal Large Language Models Reasoning via Caption-Regularized Policy Optimization [72.30168853571216]
  マルチモーダルな言語モデルは、視覚知覚と象徴的推論を統合するタスクに優れています。 CapPO は,(1) 原画像上の条件付き応答とキャプション上の条件付き応答のばらつきを最小限に抑えるキャプションベース整合性正規化,(2) KL 重み付き優位性推定スキームを適応的に拡張して知覚整合性トラジェクトリを強化するキャプションベース整合性正規化という2つの重要なメカニズムを統合した。
  論文  参考訳（メタデータ） (2025-09-26T04:32:26Z)
• VideoChat-R1.5: Visual Test-Time Scaling to Reinforce Multimodal Reasoning by Iterative Perception [50.446538409259524]
  VTTS(Visual Test-Time Scaling)は、推論中の反復推論を通じてMLLMの推論を強化する新しい手法である。 VTTSは、高信頼の階層的時間領域に注目することで人間の注意を模倣し、更新されたテキスト予測によってガイドされる。 新たに導入した Videochat-R1.5 モデルは,平均 5% 以上の向上を実現しています。
  論文  参考訳（メタデータ） (2025-09-25T12:46:46Z)
• Evaluating Variance in Visual Question Answering Benchmarks [0.9065034043031668]
  視覚的質問応答(VQA)のための強力なツールとしてマルチモーダル大言語モデル(MLLM)が登場している。 それらの進歩にもかかわらず、VQAベンチマークにおけるMLLMの評価は、しばしば点推定に依存する。 本稿では、14の広く使用されているVQAベンチマークを分析し、これらの問題を批判的に検証する。
  論文  参考訳（メタデータ） (2025-08-04T17:37:13Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• VLRMBench: A Comprehensive and Challenging Benchmark for Vision-Language Reward Models [40.87249469370042]
  視覚言語モデル(VLRM)は、推論プロセスにおいてますます重要になっている。 既存の視覚言語RM(VLRM)のベンチマークは、通常、その能力の1つの側面しか評価しない。 我々は、12,634の質問を含むVLRMBenchと呼ばれる包括的で挑戦的なベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-03-10T15:52:57Z)
• VOILA: Evaluation of MLLMs For Perceptual Understanding and Analogical Reasoning [63.0285363282581]
  MLLM(Multimodal Large Language Models)は、視覚情報とテキスト情報を統合するための強力なツールとなっている。 本稿では,MLLMの知覚的理解と抽象的関係推論を評価するためのベンチマークVOILAを紹介する。 我々は,現在のMLLMが画像間関係の理解に苦慮し,高レベルの関係推論において限られた能力を示すことを明らかにした。
  論文  参考訳（メタデータ） (2025-02-25T23:36:19Z)
• Measuring and Improving Chain-of-Thought Reasoning in Vision-Language Models [61.28463542324576]
  視覚言語モデル(VLM)は近年,人間のような出力を生成できる視覚アシスタントとして,強力な有効性を示している。 我々は、既存の最先端のVLMを評価し、最高の性能モデルでさえ、強力な視覚的推論能力と一貫性を示すことができないことを発見した。 本稿では,VLMの推論性能と一貫性の向上を目的とした2段階トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T17:49:44Z)

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。