論文の概要: Stable Curves, Unstable Items: Item-Level Scaling Heterogeneity in Video LLMs
- arxiv url: http://arxiv.org/abs/2608.07014v1
- Date: Fri, 07 Aug 2026 09:25:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.448783
- Title: Stable Curves, Unstable Items: Item-Level Scaling Heterogeneity in Video LLMs
- Title（参考訳）: 安定曲線, 不安定項目:ビデオLLMにおける項目レベルスケーリングの不均一性
- Abstract要約: ビデオLLMは、視覚的予算が大きくなるにつれて、スムーズに改善されるか、飽和していることを示す。
制御された視覚的予算の下で,各凍結モデルペアを応答軌道で表現する。
我々は、構成の相補性、有害な遷移、およびテキスト上書きの一致したグリッド測度を導出する。
- 参考スコア（独自算出の注目度）: 16.31176289941024
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Aggregate scaling curves suggest that Video LLMs improve smoothly or saturate as visual budgets grow. We show that this view can conceal large, opposing changes at the item level. We represent each frozen model--item pair by its response trajectory under controlled visual budgets and derive matched-grid measures of configuration complementarity, harmful transitions, and text overwrite. Across five open Video LLMs from three architecture families, four multiple-choice benchmark splits, open-ended QA and summarization, and fixed-history dialogue generation, no single budget serves all items. On the four-model matched MCQA grid, item-level oracle headroom spans $8.8$--$18.9$ accuracy points and $12.5$--$25.5\%$ of items are correct at a lower budget but wrong at a higher one. Task-appropriate continuous metrics show the same complementarity beyond multiple choice: Token-F1 oracle gaps are $2.7$--$3.7$ score points on MLVU generation and $3.8$--$4.8$ points on AVSD current-turn generation, even when mean quality improves with budget. The effect persists across frame count, spatial resolution, sampling policy, temporal--spatial allocation, and independently executed raw-video and cached pipelines, with per-item rates and membership tracking protocol choices. A controlled sampling intervention recovers $29.0\%$ of terminal regressions, and a structured frame audit identifies several recurring evidence pathways. We release per-item trajectories, protocol provenance, derived annotations, and reproducible analysis code as an auditing artifact. A confidence cascade matches fixed-$128f$ accuracy while reducing average shared frame cost by $31.7\%$, illustrating one operational use of the response matrix.
- Abstract（参考訳）: 集約スケーリング曲線は、ビデオLLMが視覚的予算が増加するにつれて、スムーズまたは飽和することを示している。
このビューは、アイテムレベルで大きな、反対の変更を隠蔽できることを示している。
制御された視覚的予算の下で、各凍結モデルペアを応答軌道で表現し、構成相補性、有害な遷移、テキスト上書きの整合度を導出する。
3つのアーキテクチャファミリからの5つのオープンビデオLLM、4つのマルチチョイスベンチマーク分割、オープンエンドQAと要約、固定歴史対話生成の5つにまたがって、1つの予算が全てのアイテムに当てはまることはない。
4モデルのMCQAグリッドでは、アイテムレベルのオラクルのヘッドルームは8.8$--18.9$の精度ポイントと12.5$--25.5\%のアイテムが低い予算で正しいが、より高い予算で間違っている。
Token-F1 Oracle gaps are $2.7$--3.7$ score points on MLVU generation and $3.8$---4.8$ points on AVSD current-turn generation, even mean quality improves with budget。
この効果は、フレームカウント、空間解像度、サンプリングポリシー、時間空間割り当て、独立に実行された生ビデオおよびキャッシュパイプラインにまたがって持続する。
制御されたサンプリング介入は、端末回帰の29.0\%$を回収し、構造化されたフレーム監査は、繰り返し発生するエビデンス経路を識別する。
我々は、監査成果物として、各項目のトラジェクトリ、プロトコル証明、派生アノテーション、再現可能な分析コードをリリースする。
信頼性カスケードは128f$の精度と一致し、平均共有フレームコストを311.7.%削減し、応答行列の操作的使用を1つ示した。
関連論文リスト
- RIDGE: Region-Informed Derivative-Guided Evidence Selection for Long Video Understanding [55.75126327155788]
RIDGEはフレーム選択フレームワークであり、時間信号としてフレームクエリの類似性曲線を読み取る。
タイムラインを構造的なリージョンに分割し、固定予算の下でイベントコア、トランジション、ビルドアップ、アフターマス、コンテキストフレームを保存するために、リージョン固有の選択を適用する。
ほとんどの設定で最高のパフォーマンスを達成し、他の設定では競争力を維持します。
論文 参考訳（メタデータ） (2026-08-30T18:40:51Z) - Beyond Frame Selection: Generative Latent Evidence Aggregation for Long-Video Understanding [17.716106078756066]
ロングビデオ理解は、動画を小さなフレームや視覚トークンに圧縮して回答を生成するのが一般的である。
私たちのキーとなる考え方は、選択したフレームを生成前にクエリ関連クロスフレームエビデンスにまとめることです。
4つのベンチマークと2つのVideo-MLLMバックボーンで、GenEvAは一致したフレームのベースラインを一貫して改善している。
論文 参考訳（メタデータ） (2026-07-30T16:55:00Z) - Efficient Frame Selection for Long Videos at Test Time with Attention-Based MLLM Selectors [69.75895255395702]
MLLMの検証選択抽出層におけるクロスモーダルな注意は、自己回帰生成を必要とせずに、クエリ関連フレーム証拠を既に提供している。
2Bパラメータしか持たない軽量MLLMセレクタは、クエリ条件アグリゲーションにより、選択した層注目値を関連スコアに変換することにより、フレームレベルのエビデンスを抽出することができる。
32フレームの予算下では,ビデオMMEで最大6.4ポイントの均一サンプリングを改良し,フレーム予算の一致したトレーニングベースセレクタよりも優れていた。
論文 参考訳（メタデータ） (2026-07-17T07:04:31Z) - A Cost-Aware, Paired Protocol for Auditing Dynamic Tool Synthesis in Agentic Video Question Answering [2.1096366377985185]
Agentic Video Questioning (VideoQA) システムは推論中にツールを呼び出すが、ツールライブラリは修正されている。
本稿では,ツール拡張ビデオエージェントの監査のための費用対プロトコルを提案する。
論文 参考訳（メタデータ） (2026-07-01T21:01:57Z) - FLOWREADER: Min-Cost Flow Optimization for Multi-Modal Long Document Q&A [6.071121358322323]
本稿では,マルチモーダルノードグラフ上で,エビデンスアセンブリをミニコストフロー問題として再設計するFLOWREADERを紹介する。
最適流れは候補エビデンスパスに分解され、コンパクトな非冗長部分集合はエントロピー規則化された複製子ダイナミクスによって選択される。
FLOWREADERはPaperTabとSlideVQAが支配する2つのサブセットで最良である。
論文 参考訳（メタデータ） (2026-06-05T13:05:00Z) - Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。
EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
論文 参考訳（メタデータ） (2026-05-28T09:45:47Z) - GridProbe: Posterior-Probing for Adaptive Test-Time Compute in Long-Video VLMs [3.9266376632068485]
GridProbeは、効率的なトレーニング不要な後処理推論パラダイムである。
解答空間における証拠は、凍結したVLM自身の推論を用いて得られる。
疑似関連フレームを適応的に選択し、精度の損失が少なくて、準四分法的な注意コストをもたらす。
論文 参考訳（メタデータ） (2026-05-11T15:57:46Z) - 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) - A$^2$M$^2$-Net: Adaptively Aligned Multi-Scale Moment for Few-Shot Action Recognition [56.79651392604733]
A$2$M$2$-Netは、強い表現のための適応アライメントプロトコルを確立することで、困難な時間的ミスアライメント問題に対処することができる。
実験は広く使われている5つのFSARベンチマークで行われ、その結果、A$2$M$2$-Netは最先端技術と比較して非常に競争力のある性能を示している。
論文 参考訳（メタデータ） (2025-09-22T11:44:14Z) - Flow-Guided Sparse Transformer for Video Deblurring [124.11022871999423]
FlowGuided Sparse Transformer (F GST) はビデオデブリのためのフレームワークである。
FGSW-MSAは、推定光流のガイダンスを楽しみ、隣り合うフレームの同じシーンパッチに対応する、空間的にスパースな要素を世界中にサンプリングする。
提案するFGSTは,DVDおよびGOPROデータセットの最先端パッチよりも優れており,実際のビデオの劣化に対して,より視覚的に満足な結果が得られる。
論文 参考訳（メタデータ） (2022-01-06T02:05:32Z)
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。