論文の概要: Thinking Once Is Enough: Intermediate-Layer Evidence Routing for High-Resolution VQA
- arxiv url: http://arxiv.org/abs/2607.27830v1
- Date: Thu, 30 Jul 2026 08:07:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.449673
- Title: Thinking Once Is Enough: Intermediate-Layer Evidence Routing for High-Resolution VQA
- Title（参考訳）: 一度だけ考える:高分解能VQAのための中間層証拠ルーティング
- Abstract要約: 高分解能視覚質問応答(HR-VQA)は、不十分な証拠取得の問題として扱われることが多い。
中間層ルーティングウィンドウ内では,視覚的エンコーディングがすでに残っており,識別可能で影響力があることを示す。
そこで本稿では,テキストbftraining-free, Single-visual-pass evidence-routing法であるThinking-Onceを提案する。
- 参考スコア（独自算出の注目度）: 28.550475283497107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-resolution visual question answering (HR-VQA) is often treated as a problem of insufficient evidence acquisition, where failing multimodal large language models must inspect images again through cropping, re-encoding, or multi-round search. We show that this view is incomplete: in many cases, fine-grained evidence has already survived visual encoding and become identifiable and influential within an intermediate-layer routing window, but is later diluted before answer generation. We propose Thinking-Once, a \textbf{training-free, single-visual-pass} evidence-routing method that reconstructs question-conditioned attention at this window, preserves core entity tokens and compact background context, and routes this evidence to later layers without extra visual encoding. Across five base models, Thinking-Once consistently improves or matches the corresponding base setting, increasing the average scores on V$^*$Bench, HRBench-4K, and HRBench-8K by \textit{+3.1}, \textit{+3.0}, and \textit{+2.7} points while reducing the average peak memory by about 4,GB. On Qwen2.5-VL-7B, it improves the three benchmarks by \textit{+9.9}, \textit{+4.6}, and \textit{+5.5} points, raising the cross-benchmark mean from 72.5 to 79.1. With the ZwZ-8B base model, Thinking-Once reaches a mean score of 82.7. Against 11 open-source HR-VQA baselines, it obtains the best or tied-best score on all three benchmark averages and the best overall mean; for example, compared with DeepScan, it reduces V$^*$Bench inference time by \textbf{97.2\%} while improving the cross-benchmark mean from 77.8 to 79.1. These results show that HR-VQA can be improved by routing already encoded evidence rather than repeatedly acquiring new visual inputs. Code is available in the appendix.
- Abstract（参考訳）: 高解像度視覚質問応答 (HR-VQA) は、しばしば証拠取得の不十分な問題として扱われる。
多くの場合、きめ細かい証拠はすでに視覚的エンコーディングを生き残り、中間層ルーティングウィンドウ内で識別され、影響力を持つが、後に回答生成の前に希釈される。
我々は、このウィンドウで質問条件の注意を再構築し、コアエンティティトークンとコンパクトな背景コンテキストを保存し、この証拠を余分な視覚的エンコーディングなしで後続のレイヤにルーティングする、textbf{training-free, single-visual-pass} evidence-routing法であるThinking-Onceを提案する。
V$^*$Bench, HRBench-4K, HRBench-8K, \textit{+3.1}, \textit{+3.0}, \textit{+2.7} の5つのベースモデルにおいて、Thinking-Once は対応するベース設定を常に改善または一致させ、平均ピークメモリを約4GB削減する。
Qwen2.5-VL-7Bでは、3つのベンチマークを \textit{+9.9}, \textit{+4.6}, \textit{+5.5} で改善し、クロスベンチマークは72.5から79.1に上昇する。
ZwZ-8Bベースモデルでは、Thinking-Onceの平均スコアは82.7である。
例えば、DeepScanと比較して、V$^*$Bench推論時間を \textbf{97.2\%} に削減し、クロスベンチマーク平均を 77.8 から 79.1 に改善する。
これらの結果から、HR-VQAは、新しい視覚入力を何度も取得するのではなく、既に符号化された証拠をルーティングすることで改善できることが示された。
コードは付録で入手できる。
関連論文リスト
- LOCI: A Locator-Critic with Refinement Loop [65.51043732421378]
VLM(Vision-Language Models)は、複雑な視覚的理解を必要とするタスクに苦戦している。
中心的な問題は、高レベルの推論ではなく、画像に重要な詳細を見つけることに失敗している、と我々は主張する。
証拠検証から視覚検索を分離する学習自由フレームワークであるLocator-Critic(LOCI)を提案する。
論文 参考訳（メタデータ） (2026-08-31T15:26:00Z) - Hi-Q: Hierarchical Evidence-guided Query Refinement for Multi-Hop Question Answering [13.249024309069236]
Hi-Qは階層的なクエリ改善のためのエビデンス条件付きフレームワークである。
我々は3つのマルチホップ質問回答(QA)ベンチマークでHi-Qを評価する。
論文 参考訳（メタデータ） (2026-08-31T08:55:07Z) - When Prompts Become Pixels: Prompt-Region Grounding for Multimodal Reasoning [73.56343820592399]
本稿では,視覚的タスクセマンティックス(VTS, Visualized Task Semantics)について紹介する。
6つのMLLMと4つのベンチマークで、24のモデルとタスクのペアの精度は平均17.8ポイント低下した。
本稿では,質問領域を型付きセマンティクスと整合させ,そのクリーンな表現をマスクビューから復元するプロンプト領域グラウンドを提案する。
論文 参考訳（メタデータ） (2026-08-05T11:46:15Z) - VisualClaw: A Real-Time, Personalized Agent for the Physical World [76.89211120690028]
2つの原則に基づいて構築された自己進化型マルチモーダルエージェントであるVisualClawを紹介する。
第一に、ハイブリッド符号化は、情報の少ないストリーミングフレームをカスケードゲートでフィルタリングすることにより、デプロイメントコストを低減する。
第二に、スキルの進化により、エージェントは失敗から学び、将来の質問に役立つスキルバンク更新を生成する。
論文 参考訳（メタデータ） (2026-06-15T06:58:22Z) - Stateful Reasoning via Insight Replay [51.85629502016196]
CoT(Chain-of-Thought)推論は,大規模言語モデルにおける多段階推論の基盤となっている。
この現象の主な原因は、CoTが成長するにつれて、トレースの早期に生成された重要な洞察に対するモデルの注意が徐々に弱まることである。
提案手法は、モデルがその推論トレースから定期的に重要な洞察を抽出し、アクティブな世代フロンティア付近で再生するステートフル推論手法である。
論文 参考訳（メタデータ） (2026-05-14T06:52:59Z) - Iterative Multimodal Retrieval-Augmented Generation for Medical Question Answering [11.253079427884229]
我々は,OCR テキストの代わりに PMC 文書ページイメージを検索し,原因を判断する反復型マルチモーダル RAG フレームワーク MED-VRAG を提案する。
視覚言語モデル(VLM)はそのクエリを反復的に洗練し、メモリバンクにエビデンスを蓄積する。
4つのQAベンチマークで、MEDVRAGの平均精度は78.6%に達した。
論文 参考訳（メタデータ） (2026-04-30T11:16:07Z) - Medical thinking with multiple images [44.04557445622649]
我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。
データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。
テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
論文 参考訳（メタデータ） (2026-04-14T18:51:07Z) - SWE-PRBench: Benchmarking AI Code Review Quality Against Pull Request Feedback [2.626039639665796]
SWE-PRBenchは、AIコードレビューの品質を評価するための、人間による注釈付き根拠真理による350のプルリクエストのベンチマークである。
8つのフロンティアモデルでは、差分のみの設定で人間のフラッグされた問題の15～31%しか検出できない。
論文 参考訳（メタデータ） (2026-03-27T07:24:26Z) - PinPoint: Evaluation of Composed Image Retrieval with Explicit Negatives, Multi-Image Queries, and Paraphrase Testing [3.889218009169166]
Composed Image Retrieval (CIR) は大きな進歩を遂げているが、現在のベンチマークは1つの接地的回答に限られている。
我々は、7,635のクエリと329Kの関連判断を備えた総合的な実世界のベンチマークであるPinPointを紹介する。
論文 参考訳（メタデータ） (2026-03-04T20:55:30Z) - CoV: Chain-of-View Prompting for Spatial Reasoning [64.77921266428824]
CoV(Chain-of-View)は、視覚言語モデルをアクティブな視点推論子に変換する。
我々はOpenEQA上でのCoVの評価を行い、Qwen3-VL-Flashで最大13.62%向上したLLM-Matchで平均+11.56%改善した。
論文 参考訳（メタデータ） (2026-01-08T17:59:42Z) - GRAID: Enhancing Spatial Reasoning of VLMs Through High-Fidelity Data Generation [31.365285503503475]
標準検出器から2次元ボックスを用いて空間推論を学習するためのフレームワークを提案する。
GRAIDデータに基づいて訓練すると、モデルは過剰詳細保持型を一般化する空間的推論概念を学習する。
また、すべての質問タイプでトレーニングすると、いくつかの既存のベンチマークの改善が達成されることを示す。
論文 参考訳（メタデータ） (2025-10-25T02:07:23Z) - Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology [87.65242416688146]
TreeBenchは、ビジュアルグラウンド推論の診断ベンチマークである。
TreeVGRは、強化学習と共同でローカライゼーションと推論を監督する訓練パラダイムである。
論文 参考訳（メタデータ） (2025-07-10T17:59:58Z) - Understanding Image Retrieval Re-Ranking: A Graph Neural Network
Perspective [52.96911968968888]
本稿では,GNN(High-parallelism Graph Neural Network)関数として再ランク化が可能であることを示す。
market-1501データセットでは、1k40m gpuで89.2sから9.4msへのリランキング処理を高速化し、リアルタイムのポストプロセッシングを容易にする。
論文 参考訳（メタデータ） (2020-12-14T15:12:36Z)
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。