論文の概要: Seeing Is Not Deciding: Can Multimodal LLMs Act as Effective CEOs?

• arxiv url: http://arxiv.org/abs/2608.05864v1
• Date: Thu, 06 Aug 2026 10:43:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.889657
• Title: Seeing Is Not Deciding: Can Multimodal LLMs Act as Effective CEOs?
• Title（参考訳）: 意思決定しない - マルチモーダル LLM は効果的なCEOとして機能できるのか?
• Abstract要約: C-SUITEBENCHは経営陣の意思決定のためのマルチモーダル・ベンチマークである。 我々は、最高経営責任者の役割に9つのモデルを設定し、意思決定能力を評価する。 視覚的ビジネス情報を追加することで、9つのモデルすべてに対する制約付きリソース割り当てが低下する。
• 参考スコア（独自算出の注目度）: 53.05042283845008
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Large language models are increasingly applied as autonomous decision-making agents. However, in executive business decisions, existing benchmarks are limited to textonly settings. This makes it unclear whether models can perceive visual business evidence and effectively integrate it to improve decision quality. We introduce C-SUITEBENCH, a controlled multimodal benchmark that includes five decision tasks under paired text-only and multimodal conditions across 50 scenarios. We place nine frontier models in the role of a chief executive officer and evaluate their decision-making ability. Multimodal inputs consistently improve evidence-centric reasoning, with the largest and most reliable gains appearing in risk forecasting and board-facing justification. However, we uncover a multimodal integration paradox: adding visual business information degrades constrained resource allocation for all nine models, even as visual grounding itself improves. Ablation experiments reveal that this failure emerges from signal crowding, although each visual channel helps individually, their combination disrupts constraint satisfaction during decoding. These findings demonstrate that visual perception and constrained action are separable bottlenecks in multimodal agents, and that indiscriminate visual augmentation can harm high-stakes decision making, motivating selective grounding strategies for future executive AI systems.
• Abstract（参考訳）: 大規模言語モデルは、自律的な意思決定エージェントとしてますます応用されている。 しかし、エグゼクティブなビジネス判断では、既存のベンチマークはテキストのみの設定に限られている。 これにより、モデルが視覚的ビジネス証拠を知覚し、意思決定品質を改善するために効果的に統合できるかどうかが明確になる。 C-SUITEBENCHは、50のシナリオにまたがるペアテキストとマルチモーダル条件下での5つの決定タスクを含む、制御されたマルチモーダルベンチマークである。 9つのフロンティアモデルを最高経営責任者の役割に配置し、意思決定能力を評価する。 マルチモーダル・インプットはエビデンス中心の推論を継続的に改善し、最大の信頼性の高いゲインはリスク予測とボード面の正当化に現れる。 しかし、視覚的ビジネス情報を追加することで、視覚的基盤自体が改善しても、9つのモデルすべてに対する制約付きリソース割り当てが低下する。 アブレーション実験により、この障害は信号の群集から生じるが、それぞれの視覚チャネルは個別に助けるが、それらの組み合わせは復号時の制約満足度を阻害する。 これらの結果は、視覚知覚と制約された行動は、マルチモーダルエージェントにおいて分離可能なボトルネックであり、非差別的な視覚増強は、将来のエグゼクティブAIシステムのための選択的な基盤戦略を動機付け、高い意思決定を損なう可能性があることを示している。

関連論文リスト

• Before Thinking, Learn to Decide: Proactive Routing for Efficient Visual Reasoning [87.18590662029432]
  本稿では,プロアクティブルーティングパラダイムであるPRPを提案する。このパラダイムは,ドラフトモデルとターゲットモデルの両方の能力を評価することで,早期意思決定を可能にする。 筆者らの試案であるレーティング学習 (DRL) は内部信頼度推定器を内蔵し, 共同レーティング学習 (JRL) は対象モデルが与えられたクエリをどの程度処理できるかを予測する。 これらの評価により、詳細なインスタンスレベルの textbfProactive Routing が可能になり、全体的なパフォーマンスを損なうことなく、推論を大幅に高速化できる。
  論文  参考訳（メタデータ） (2026-06-29T12:30:24Z)
• Advancing Creative Physical Intelligence in Large Multimodal Models [62.56522271769017]
  MM-CreativityBenchは、視覚的にリッチで物理的に制約のある環境において、手頃なグラウンドで使用されるクリエイティブツールのベンチマークである。 筆者らの実験では、現在のLMMは、生成能力の欠如によるものではなく、基底探索を維持できないため、しばしば短くなることが示されている。 この障害モードを動機として,創造的ツールの使用を優先学習問題とするアライメント(アライメント,アライメント,アライメント)を提案する。
  論文  参考訳（メタデータ） (2026-05-25T23:59:02Z)
• Decision-Making with Lightweight Confidence-Aware Language Model for Autonomous Driving [7.879160320881927]
  大規模言語モデル (LLMs) とマルチモーダルLSM (MLLMs) は、自律運転において大きな可能性を実証している。 本稿では,軽量な信頼度を考慮した言語モデルを用いた新たな意思決定フレームワークを提案する。 提案手法は,通常のシナリオと長期シナリオの両方において,SOTA(State-of-the-art)の成功率を達成することを示す。
  論文  参考訳（メタデータ） (2026-05-25T03:38:12Z)
• Walk the Talk: Bridging the Reasoning-Action Gap for Thinking with Images via Multimodal Agentic Policy Optimization [89.68681087743876]
  MLLM(Multimodal Large Language Models)は,マルチターン推論において視覚ツールを積極的に呼び出すことによって,イメージで考えるモデルにインセンティブを与えている。 結果に基づく報酬を頼りにする一般的な強化学習の実践は、テキストの妥当性が経営幹部の失敗を隠蔽するという事実を無視します。 マルチモーダルエージェントポリシー最適化(MAPO)を導入し、テキスト推論とモデルが生成する視覚行動のギャップを埋める。
  論文  参考訳（メタデータ） (2026-04-08T07:48:07Z)
• LLMs for Explainable Business Decision-Making: A Reinforcement Learning Fine-Tuning Approach [9.942833203981069]
  大規模言語モデル(LLM)は、自然言語の説明を生成する機会を提供する。 観客に適切な説明を与える強化学習に基づく微調整フレームワークであるLEXMAを紹介する。 LEXMAは他のLLMベースラインに比べて予測性能が大幅に向上した。
  論文  参考訳（メタデータ） (2025-12-10T04:16:31Z)
• Debate with Images: Detecting Deceptive Behaviors in Multimodal Large Language Models [25.61834023007555]
  MM-DeceptionBenchは、マルチモーダルな偽装を評価するために明示的に設計された最初のベンチマークである。 MM-DeceptionBenchは、視覚とテキストの組み合わせによってモデルがどのように戦略的に操作し、誤解を招くかを特徴付ける。 本稿では,新しいマルチエージェント・ディベート・モニタ・フレームワークである画像を用いた議論を提案する。
  論文  参考訳（メタデータ） (2025-11-29T06:39:36Z)
• DixitWorld: Evaluating Multimodal Abductive Reasoning in Vision-Language Models with Multi-Agent Dixit Gameplay [50.31585196187091]
  マルチモーダルな帰納的推論を分解するための総合評価スイートであるDixitWorldを紹介した。 DIXITWORLDは,仮説生成と仮説選択を評価する動的マルチエージェント環境であるDixitArenaという,2つのコアコンポーネントを備えている。 DixitArenaの結果は、異なる、役割に依存した行動を明らかにしている。
  論文  参考訳（メタデータ） (2025-10-11T08:48:48Z)
• Cantor: Inspiring Multimodal Chain-of-Thought of MLLM [83.6663322930814]
  視覚的コンテキスト獲得と論理的推論の集約は、視覚的推論タスクに取り組む上で重要であると我々は主張する。 我々はCantorと呼ばれる革新的なマルチモーダルCoTフレームワークを提案し、その特徴は知覚決定アーキテクチャである。 提案手法の有効性を実証し,マルチモーダルCoT性能の大幅な向上を示した。
  論文  参考訳（メタデータ） (2024-04-24T17:59:48Z)
• NPHardEval4V: Dynamic Evaluation of Large Vision-Language Models with Effects of Vision [64.83085920775316]
  NPHardEval4Vは4つの古典的NPハード問題に基づくマルチモーダルベンチマークスイートである。 各タスクは、構造化された視覚レイアウトとテキストプロンプトを組み合わせることで、視覚言語的制約の下で推論を行うLVLMの能力を評価するように設計されている。 以上の結果から,これらのモデルは知覚に基づく入力に対して合理的に優れているが,グローバルな最適化,抽象化,制約満足度に苦慮していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-03-04T07:10:31Z)

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。