論文の概要: Can MLLMs Decode the Creative Leap? Introducing C4 for Cross-Concept Understanding
- arxiv url: http://arxiv.org/abs/2608.06501v1
- Date: Thu, 06 Aug 2026 18:38:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.263967
- Title: Can MLLMs Decode the Creative Leap? Introducing C4 for Cross-Concept Understanding
- Title（参考訳）: MLLMはCreative Leapをデコードできるか? クロスコンセプト理解のためのC4の導入
- Abstract要約: クロスコンセプト理解は、受容的創造性の根底にある中核的な認知能力である。
C4はChengyuをベースとしたCross-Concept Creativityのための認知にインスパイアされた評価フレームワークである。
我々はC4評価セット(C4-Eval)をインスタンス化し、184個の合成アイテムと37個の人造クロスコンセプトチェンギュフィギュアからなる。
- 参考スコア（独自算出の注目度）: 29.166005141868755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Creative capabilities of MLLMs matter in design, communication, education, and human--AI collaboration, yet remain difficult to evaluate because explicit targets and reward signals are scarce compared with accuracy-oriented tasks. Cross-concept understanding is a core cognitive capacity underlying receptive creativity. It enables a perceiver to recover intended meaning from non-obvious but meaningful conceptual relations. We operationalize item construction as cross-concept encoding and model inference as cross-concept decoding. We introduce C4, a cognition-inspired evaluation framework for Chengyu (Chinese idiom)-based Cross-Concept Creativity. Its encoding component maps target slots to imageable substitute concepts along bridge paths in a manually annotated and third-party-reviewed cross-concept network, enabling batch generation with explicit structure, difficulty indexed by bridge count and depth, and exact answers. Using this framework, we instantiate the C4 Evaluation Set (C4-Eval), comprising 184 synthetic items and 37 human-created cross-concept chengyu figures collected from online sources. We manually construct and review cross-concept relations, bridge paths, and reasoning processes for the collected figures. Each C4-Eval item is instantiated in five task settings, yielding 884 primary answer-recovery cases. Across ten evaluated MLLMs, the strongest closed models reach 50.7% and 48.0% primary accuracy, while open-source models remain substantially lower. Candidate constraints improve accuracy sharply, but bridge hints and explanation requests provide only modest gains. These results expose a substantial gap in how current MLLMs decode creatively encoded meaning through cross-concept relations. The code is in the supplementary material.
- Abstract（参考訳）: 設計,コミュニケーション,教育,人間-AIコラボレーションにおけるMLLMの創造的能力は,明確な目標や報奨信号が精度重視のタスクに比べて不足しているため,評価は依然として困難である。
クロスコンセプト理解は、受容的創造性の根底にある中核的な認知能力である。
これは、知覚者が意図した意味を、目立たないが意味のある概念的関係から取り戻すことを可能にする。
アイテム構成をクロスコンセプト符号化として、モデル推論をクロスコンセプトデコーディングとして運用する。
C4はChengyuをベースとしたCross-Concept Creativityのための認知にインスパイアされた評価フレームワークである。
そのエンコーディングコンポーネントは、ターゲットスロットを、手動で注釈付きおよびサードパーティレビューしたクロスコンセプトネットワークのブリッジパスに沿ったイメージ可能な代替概念にマップし、明示的な構造、ブリッジ数と深さによってインデックス付けされる困難さ、正確な答えでバッチ生成を可能にする。
このフレームワークを用いて,C4評価セット(C4-Eval)をインスタンス化し,オンライン資料から収集した184個の合成項目と37個の人造クロスコンセプトチェンギュフィギュアを作成した。
収集した図のクロスコンセプト関係、ブリッジパス、推論プロセスを手作業で構築し、レビューする。
各C4-Eval項目は5つのタスク設定でインスタンス化され、884のプライマリ回答-リカバリケースが生成される。
10個の評価されたMLLMのうち、最強のクローズドモデルは50.7%と48.0%に達し、オープンソースモデルは大幅に低いままである。
候補制約は精度を劇的に向上させるが、ブリッジヒントと説明要求はわずかに利得しか得られない。
これらの結果は、現行のMLLMがコンセプション間の関係を通じて創造的に意味をコード化する方法について、大きなギャップを露呈している。
コードは補足資料にあります。
関連論文リスト
- IntentQA: Intent Question Answering in Videos by Cognitive Context Reasoning [62.131402798485]
映像理解には、知的エージェントが視覚的事実の単なる認識を超越し、人間の行動の背後にある意図を理解する必要がある。
我々は、新しいタスクであるIntentQAを導入し、この目的に特化された大規模ビデオQAデータセットをコントリビュートする。
我々は,3種類の「認知コンテキスト」を活用して映像分析を強化する,X-CaVIR(eXplainable Context-aware Video Intent Reasoning)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-24T14:43:28Z) - CreativityBench: Evaluating Agent Creative Reasoning via Affordance-Based Tool Repurposing [67.2958108309687]
CreativityBenchは、LCMにおける余剰ベースのクリエイティビティを評価するためのベンチマークである。
制約の下では、不確実だが物理的に妥当な解を識別する必要がある14Kの基底タスクを生成する。
クローズドおよびオープンソースモデルを含む10の最先端のLLMに対する評価は、モデルがしばしば可塑性オブジェクトを選択することができるが、正しい部分を特定することができないことを示している。
論文 参考訳（メタデータ） (2026-04-06T16:33:23Z) - RPC-Bench: A Fine-grained Benchmark for Research Paper Comprehension [65.81339691942757]
RPC-Bench(RPC-Bench)は、高品質なコンピュータサイエンス論文のレビュー・リビューの交換から構築された大規模質問応答ベンチマークである。
我々は、科学研究の流れに沿ったきめ細かい分類を設計し、モデルがなぜ、何、どのように学術的な文脈で質問するかを理解し、答える能力を評価する。
論文 参考訳（メタデータ） (2026-01-14T11:37:00Z) - CIR-CoT: Towards Interpretable Composed Image Retrieval via End-to-End Chain-of-Thought Reasoning [93.05917922306196]
Composed Image Retrieval (CIR) は、参照画像と修正テキストから対象画像を見つけることを目的としている。
CIR-CoTは、明示的なChain-of-Thought (CoT)推論を統合するために設計された最初のエンドツーエンド検索指向MLLMである。
論文 参考訳（メタデータ） (2025-10-09T09:41:45Z) - ClearFairy: Capturing Creative Workflows through Decision Structuring, In-Situ Questioning, and Rationale Inference [59.65947911667229]
本稿では,行動・人工物・自己説明の認知的意思決定ステップに推論を関連づけるCLEARフレームワークを提案する。
ClearFairyはUI設計のための思考支援AIアシスタントで、弱い説明を検知し、軽量で明確な質問をし、知識共有の負担を軽減するために、根拠の欠如を推測する。
論文 参考訳（メタデータ） (2025-09-18T02:11:34Z) - Emergent Cognitive Convergence via Implementation: A Structured Loop Reflecting Four Theories of Mind [0.0]
我々は、心の4つの影響力のある理論の間に構造的な収束を報告する。
収束は、エージェントフローと呼ばれる実用的なAIアーキテクチャの中で意図せずに現れる。
本稿では,知的アーキテクチャが,実践的制約によって形成される共有構造パターンへと進化する可能性を示唆する。
論文 参考訳（メタデータ） (2025-07-22T02:54:45Z) - Enhancing Interpretable Image Classification Through LLM Agents and Conditional Concept Bottleneck Models [15.97013792698305]
概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、画像分類を解釈可能で人間可読な概念によって管理されるプロセスに分解する。
環境フィードバックに応答してコンセプトバンクを調整する動的エージェントベースのアプローチを導入する。
また,従来のCBMの概念スコアリング機構の限界を克服するために,条件付き概念ボトルネックモデル(CoCoBM)を提案する。
論文 参考訳（メタデータ） (2025-06-02T05:25:52Z) - If Concept Bottlenecks are the Question, are Foundation Models the Answer? [20.91927788087174]
コンセプト・ボトルネック・モデル (Concept Bottleneck Models, CBM) は、アンテホックの解釈可能性と高性能を結合するように設計されたニューラルネットワークである。
VLM-CBMアーキテクチャは、手動アノテーションを基礎モデルからの弱い監督に置き換える。
我々は、最先端のVLM-CBMをテストに適用し、重要なメトリクスの選択を経験的に分析した。
論文 参考訳（メタデータ） (2025-04-28T13:18:48Z) - Sketch-of-Thought: Efficient LLM Reasoning with Adaptive Cognitive-Inspired Sketching [64.74765550805024]
Chain-of-Thoughtはステップバイステップの問題解決を促すが、中間出力の過剰な冗長性を犠牲にすることが多い。
我々は,認知にインスパイアされた推論パラダイムを言語制約と統合する促進フレームワークであるSketch-of-Thought(SoT)を提案する。
SoTはトークンを最大84%削減し、18の推論データセットで最小限の精度ロスを達成している。
論文 参考訳（メタデータ） (2025-03-07T06:57:17Z) - GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。
GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
論文 参考訳（メタデータ） (2024-10-11T03:05:06Z) - Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。
本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。
我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
論文 参考訳（メタデータ） (2024-07-19T17:50:11Z) - Advanced Semantics for Commonsense Knowledge Extraction [32.43213645631101]
概念とその特性に関する常識知識(CSK)は、堅牢なチャットボットのようなAIアプリケーションに有用である。
本稿では,CSKアサーションの大規模知識ベース(KB)を自動構築するAscentという手法を提案する。
Ascent は部分群とアスペクトで合成概念をキャプチャし、セマンティック・ファセットでアサーションを精製することで三重項を超えていく。
論文 参考訳（メタデータ） (2020-11-02T11:37:17Z)
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。