論文の概要: Reasoning for Social Audio-Visual Question Answering: Where Do We Stand?

• arxiv url: http://arxiv.org/abs/2608.13239v1
• Date: Thu, 13 Aug 2026 13:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.546352
• Title: Reasoning for Social Audio-Visual Question Answering: Where Do We Stand?
• Title（参考訳）: ソーシャルオーディオ・ビジュアル質問応答のための推論:我々はどこに立つべきか?
• Abstract要約: 思考の連鎖(CoT)推論が主流のアプローチとなっている。 Int IntentBenchベンチマークは非常にノイズが多い。 バニラ SFT のベースラインは既存の推論手法にマッチするか、上回っている。
• 参考スコア（独自算出の注目度）: 28.679771269318323
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Training Multimodal Large Language Models for audio-visual social understanding is a crucial step toward embodied social intelligence. Chain-of-thought (CoT) reasoning has become the dominant approach, with HumanOmniV2 and its IntentBench benchmark as a prominent reference point. In this context, we report three findings. First, IntentBench is highly noisy: $\sim$7% of questions are broken and $\sim$23% are trivially answerable without the video input. We remove the affected questions and release Intentbench-Prime. Second, current reasoning approaches are expensive and surprisingly ineffective. A simple Vanilla SFT baseline matches or outperforms existing reasoning methods across three benchmarks at a fraction of the cost, establishing it as an essential baseline for evaluating novel fine-tuning techniques. Third, our analysis reveals that substantial priors can be learned solely from the text modality and that using a textual caption instead of the video yields performance on par with Vanilla SFT. These surprising findings reveal the limitations of current MLLMs when it comes to social understanding. IntentBench-Prime, Vanilla SFT model, and code are publicly available.
• Abstract（参考訳）: 音声・視覚的社会的理解のための多モーダル大規模言語モデルの訓練は、社会知性を具現化するための重要なステップである。 チェーン・オブ・思想(CoT)推論は、HumanOmniV2とIntentBenchベンチマークを顕著な基準点として、主要なアプローチとなっている。 ここでは,3つの知見を報告する。 まず、IntentBenchは非常にうるさい:$\sim$7%の質問が壊れ、$\sim$23%はビデオ入力なしで簡単に答えられる。 影響を受ける質問を取り除き、Intentbench-Primeをリリースします。 第二に、現在の推論アプローチは高価で驚くほど効果がない。 単純なVanilla SFTベースラインは3つのベンチマークで既存の推論手法に多少のコストで適合し、新しい微調整技術を評価するための必須のベースラインとして確立する。 第3に,本研究では,テキストのモダリティのみから事前学習が可能であり,ビデオの代わりにテキストキャプションを使用することで,Vanilla SFTと同等のパフォーマンスが得られることを明らかにした。 これらの驚くべき発見は、社会的理解に関して、現在のMLLMの限界を明らかにしている。 IntentBench-Prime、Vanilla SFTモデル、およびコードは公開されている。

関連論文リスト

• V-Rubrics: Visual Faithfulness via Rubric-Based Reinforcement Learning [59.47823383593251]
  視覚サンプルモデルでは、視覚的証拠が不十分な流動的な答えを生み出すことができる。 本稿では,参照応答を原子命題に分解するVisuals-Based Reinforcement Learningを紹介する。 我々は,コンポーネントワイド,プレフィックスローカライズされたルーリッククレジットを用いて,同じSFTチェックポイントに基づいてモデルをトレーニングする。
  論文  参考訳（メタデータ） (2026-08-26T09:40:46Z)
• TVI-CoT: Text-Visual Interleaved Chain-of-Thought Reasoning for Multimodal Understanding [10.402346011516423]
  思考の連鎖(CoT)推論は、大規模言語モデルにおける問題解決の強化に有効であることが証明されている。 既存のCoTアプローチは基本的な制限に悩まされており、完全にテキストで推論を行う。 テキスト推論と視覚的特徴アクセスの明示的なインターリーブを実現するためのテキスト・ビジュアル・インターリーブド・チェーン・オブ・ワット(TVI-CoT)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-07T05:58:39Z)
• ReasonCACHE: Teaching LLMs To Reason Without Weight Updates [75.2707292367514]
  大規模言語モデル(LLM)は、コンテキストウィンドウをオーバーロードすることなく、重み付けをすることなく、推論を学習できることを示します。 本稿では、デモを固定キー値キャッシュに蒸留するReasonCACHEについて紹介する。 経験的に、ReasonCACHEは標準のICLよりも優れており、IWLアプローチにマッチするか、超えている。
  論文  参考訳（メタデータ） (2026-02-02T17:24:23Z)
• MMReason: An Open-Ended Multi-Modal Multi-Step Reasoning Benchmark for MLLMs Toward AGI [59.196131618912005]
  マルチモーダル大規模言語モデル(MLLM)の進展における推論の役割 既存のMLLMベンチマークは、しばしば、長鎖推論能力の正確かつ包括的な評価において不足している。 MLLM長鎖推論能力を正確かつ包括的に評価する新しいベンチマークであるMMReasonを紹介する。
  論文  参考訳（メタデータ） (2025-06-30T07:14:38Z)
• Reason-to-Recommend: Using Interaction-of-Thought Reasoning to Enhance LLM Recommendation [9.282278040339138]
  $textbfR2Rec$は推論強化レコメンデーションフレームワークである。 ユーザアイコングラフからインタラクションチェーンをサンプリングし、それらを構造化されたインタラクション・オブ・思想に変換する。
  論文  参考訳（メタデータ） (2025-06-05T14:16:44Z)
• SIV-Bench: A Video Benchmark for Social Interaction Understanding and Reasoning [53.16179295245888]
  SIV-Benchは、SSU(Social Scene Understanding)、SSR(Social State Reasoning)、SDP(Social Dynamics Prediction)におけるMLLM(Multimodal Large Language Models)の機能を評価するための新しいビデオベンチマークである。 SIV-Benchは、2,792本のビデオクリップと8,792本の人間とLLMのコラボレーティブパイプラインから得られた精巧に生成された質問応答ペアを備えている。 また、異なるテキストキュー固有のオンスクリーンテキスト、追加の対話、あるいはノーテキストの影響を分析するための専用の設定も含まれている。
  論文  参考訳（メタデータ） (2025-06-05T05:51:35Z)
• FingER: Content Aware Fine-grained Evaluation with Reasoning for AI-Generated Videos [18.3012265316413]
  本稿では,新しいエンティティレベルの推論評価フレームワークである $textbfF$ine-fine $textbfE$ntity-level を提案する。 我々のモデルは、GenAI-Benchが11.8%、MonetBenchが5.5%、トレーニングビデオが3.3kという既存の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2025-04-14T16:07:16Z)
• Unveiling the Magic of Code Reasoning through Hypothesis Decomposition and Amendment [54.62926010621013]
  我々は,大規模言語モデルの推論能力に対する新たな視点を提供するために,新しいタスクであるコード推論を導入する。 論理的推論の確立した形式に基づいて3つのメタベンチマークを要約し、8つの特定のベンチマークタスクにインスタンス化する。 本稿では,人間の複雑な問題解決手法に触発された新たな経路探索パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-02-17T10:39:58Z)
• Lost in Time: A New Temporal Benchmark for VideoLLMs [48.71203934876828]
  現在最も使われているビデオ言語ベンチマークは、時間的推論を必要とせずに解決可能であることを示す。 提案するTVBenchは,オープンソースのマルチ選択質問応答ベンチマークである。
  論文  参考訳（メタデータ） (2024-10-10T09:28:36Z)
• LINC: A Neurosymbolic Approach for Logical Reasoning by Combining Language Models with First-Order Logic Provers [60.009969929857704]
  論理的推論は、科学、数学、社会に潜在的影響を与える可能性のある人工知能にとって重要なタスクである。 本研究では、LINCと呼ばれるモジュール型ニューロシンボリックプログラミングのようなタスクを再構成する。 我々は,FOLIOとProofWriterのバランスの取れたサブセットに対して,ほぼすべての実験条件下で,3つの異なるモデルに対して顕著な性能向上を観察した。
  論文  参考訳（メタデータ） (2023-10-23T17:58:40Z)

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。