論文の概要: Cross-Task Dissociation in Frontier Vision-Language Model Theory of Mind

• arxiv url: http://arxiv.org/abs/2608.00261v1
• Date: Fri, 31 Jul 2026 20:06:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.56411
• Title: Cross-Task Dissociation in Frontier Vision-Language Model Theory of Mind
• Title（参考訳）: Frontier Vision-Language Model Theory of Mind におけるクロスタスク解離
• Abstract要約: 心理学に基づく2つのベンチマークにおいて,9つの視覚言語モデルの共通パネルの評価を行った。 ディレクタータスクでは、大人ではなく子供のような治験の78%でエゴセントリックなエラーを犯す。 トライアングル上では、パネルのToMプロファイルは、典型的な開発・開発・開発(TD)平均よりも、高機能的・音響・開発(HF-ASD)平均の3倍以上近くに位置する。
• 参考スコア（独自算出の注目度）: 6.290145852354435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Do frontier vision-language models present a coherent Theory-of-Mind (ToM) profile across tasks, matching the same human reference group, or does that profile fragment from one paradigm to the next? We evaluate a shared panel of nine frontier VLMs on two psychology-derived benchmarks: the Keysar Director Task (visual perspective-taking under egocentric interference) and the Frith-Happé animated triangles scored with the Castelli rubric (intention attribution from pure motion). On the Director Task, without chain-of-thought, the panel makes the egocentric error on 78\% of trials like children rather than adults; variation is substantial across models, and reasoning rescues several models. On the triangles, the panel under-attributes intention: its ToM profile sits more than three times closer to the high-functioning-autistic-adult (HF-ASD) mean than to the typical-development-adult (TD) mean, while Goal-Directed and Random stay near TD. No model is nearest TD on both tasks; the model that looks adult-like on the Director Task falls on the HF-ASD side on the triangles, and the most TD-like model on the triangles is child-like on the Director Task. We report group-level descriptions, not diagnostic labels for any model.
• Abstract（参考訳）: フロンティアの視覚言語モデルは、タスク間でコヒーレントな理論・オブ・ミンド(ToM)プロファイルを示し、同じ人間の参照グループにマッチするか、あるいは、そのプロファイルフラグメントをあるパラダイムから次のパラダイムにマッチさせるのか? そこで我々は,9つのフロンティアVLMの共通パネルを,キーサーディレクタタスク(自我中心的干渉下での視覚的視点取り)と,カステッリルーブリック(純粋運動からの意図的帰属)を用いたFrith-Happéアニメーション三角形の2つのベンチマークで評価した。 ディレクタータスクでは、考えの連鎖なしに、このパネルは大人ではなく子供のような88%の試験でエゴセントリックなエラーを発生させる。 ToMプロファイルは、通常の開発目標(TD)平均の3倍近い位置にあり、Goal-DirectedとRandomはTDに近い位置にある。 両方のタスクで最も近いTDモデルはなく、ディレクタタスクでアダルト的なモデルがトライアングルでHF-ASD側に、トライアングルで最もTDライクなモデルがディレクタタスクで子のようなモデルである。 我々は,どのモデルにおいても診断ラベルではなく,グループレベルの記述を報告する。

関連論文リスト

• Evaluating Multimodal LLMs as Generalist Vision-Language-Action Agents for Drone Control: Commanding, Approaching, Tracking and Searching [23.780648709989777]
  小さなオープンモデルはしばしばフロンティアモデルよりも成功半径に確実に移動するが、到着時期を早めるか全く宣言しないかでエピソードを失う。 我々はMLLMが交換可能なコンポーネントであるアーキテクチャであるDroneCATS-Agentと、モデルを独立変数として扱うベンチマークであるDroneCATSを紹介する。
  論文  参考訳（メタデータ） (2026-09-01T15:27:43Z)
• Where a New Concept Must Enter: Entry Point Gates Cross-Task Usability in Unified Multimodal Models [29.95046057406594]
  統一マルチモーダルモデル(UMM)は、理解と生成が互いに強化されるという希望によって動機付けられている。 建設によるUMMにおける2方向の関係について検討する。 どちらの方向でもチャネルが本物であることは分かるが、方向は様々である。
  論文  参考訳（メタデータ） (2026-08-18T09:23:35Z)
• Geometric Action Model for Robot Policy Learning [68.6657929619782]
  汎用ロボットポリシーは、オブジェクト、カメラ、ロボットアクションが3D物理世界でどのように相互作用するかを推論しながら、ユーザーの指示に従う必要がある。 最近の視覚言語行動モデル(VLA)とビデオ世界行動モデル(WAM)は、大規模基盤モデルから強い意味や時間的先行を継承する。 本稿では,言語条件の操作ポリシーであるGeometric Action Model (GAM)を提案する。
  論文  参考訳（メタデータ） (2026-06-15T17:58:03Z)
• A Mechanistic Understanding of Pronoun Fidelity in LLMs [21.554337243825884]
  グループ実体結合(G)、回帰バイアス(R)、ステレオタイプバイアス(S)の3つのメカニズムが複数のSOTA言語モデルに因果的に実装されているかを検討する。 モデル動作を完全に説明できるメカニズムは存在しないが、3つの組み合わせは一貫して99.5%1-9である。 要約すると、代名詞の忠実さは同時に活性な因果部分空間間の競合から生じる。
  論文  参考訳（メタデータ） (2026-06-15T08:45:53Z)
• Cross-Attentive Multiview Fusion of Vision-Language Embeddings [28.984855441235776]
  複数の視点から視覚言語記述子を横断的に横断する新しいマルチビュートランスフォーマーアーキテクチャを提案する。 この融合のための自己超越信号としてマルチビュー整合性を利用する。 クロス・アテンティブ・マルチビュー・フュージョンは、ナイーブ平均化やシングルビュー記述子選択よりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-04-14T10:25:32Z)
• Revisiting Model Stitching In the Foundation Model Era [40.272485094046736]
  我々は、目的、データ、モダリティの混合によって異なるビジョンファウンデーションモデル(VFM)の縫い合わせを再検討する。 縫合点,縫合層ファミリー,トレーニング損失,下流タスクにまたがる体系的プロトコルを提案する。 ターゲットモデルの垂直層における単純な特徴マッチング損失により、不均一なVFMは視覚タスク間で確実に縫合可能である。
  論文  参考訳（メタデータ） (2026-03-12T20:33:19Z)
• DDM: A Metric for Comparing 3D Shapes Using Directional Distance Fields [98.15456815880911]
  既存の手法は主に2つのモデル間の対応を直接確立することに焦点を当てている。 本稿では,3次元幾何データに対する効率的,効率的,堅牢,かつ微分可能な距離測定法であるDDMを提案する。 一般的な距離計量として、DDMは3次元幾何モデリングの分野を前進させる可能性がある。
  論文  参考訳（メタデータ） (2024-01-18T05:31:53Z)
• Co-guiding for Multi-intent Spoken Language Understanding [53.30511968323911]
  本稿では,2つのタスク間の相互指導を実現するための2段階のフレームワークを実装した,コガイドネットと呼ばれる新しいモデルを提案する。 第1段階では,単一タスクによる教師付きコントラスト学習を提案し,第2段階ではコガイドによる教師付きコントラスト学習を提案する。 マルチインテリジェントSLU実験の結果,我々のモデルは既存のモデルよりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-22T08:06:22Z)
• Temporal Action Localization with Enhanced Instant Discriminability [66.76095239972094]
  時間的行動検出(TAD)は、すべての行動境界とその対応するカテゴリを、トリミングされていないビデオで検出することを目的としている。 本稿では,既存の手法による動作境界の不正確な予測を解決するために,TriDetという一段階のフレームワークを提案する。 実験結果から,複数のTADデータセット上でのTriDetの堅牢性と最先端性能が示された。
  論文  参考訳（メタデータ） (2023-09-11T16:17:50Z)
• Unsupervised Cross-Modal Alignment for Multi-Person 3D Pose Estimation [52.94078950641959]
  マルチパーソン・ヒューマン・ポーズ推定のためのデプロイフレンドリーで高速なボトムアップ・フレームワークを提案する。 我々は,人物の位置を対応する3Dポーズ表現と統一する,多人数の3Dポーズのニューラル表現を採用する。 ペア化された2Dまたは3Dポーズアノテーションが利用できない実用的な配置パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-08-04T07:54:25Z)
• Appearance Consensus Driven Self-Supervised Human Mesh Recovery [67.20942777949793]
  単眼画像から人間のポーズや形状を推定する自己教師付きメッシュ回復フレームワークを提案する。 標準モデルに基づく3次元ポーズ推定ベンチマークの最先端結果を得る。 その結果、色付きメッシュ予測により、ポーズや形状推定以外にも、さまざまな外観関連タスクにフレームワークの使用が開放される。
  論文  参考訳（メタデータ） (2020-08-04T05:40:39Z)
• ACFD: Asymmetric Cartoon Face Detector [72.60983975604145]
  ACFDは2020年のiCartoon Face Challengeで1位を獲得した。 ACFDは、モデルサイズ200MB、画像あたりの推測時間50ms、事前訓練されたモデルなしで、2020年のiCartoon Face Challengeの1位を獲得しました。
  論文  参考訳（メタデータ） (2020-07-02T05:57:34Z)

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。