論文の概要: REChart: Reasoning-Efficient Chart Editing with Large Reasoning Models

• arxiv url: http://arxiv.org/abs/2608.17414v1
• Date: Tue, 18 Aug 2026 06:26:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.23145
• Title: REChart: Reasoning-Efficient Chart Editing with Large Reasoning Models
• Title（参考訳）: ReChart: 大規模な推論モデルを用いた推論効率の良いチャート編集
• Abstract要約: 中間的推論ステップに対するプロセスレベルの監視を提供する2段階のトレーニングフレームワークであるREChartを紹介します。 まず,大規模な画像インストラクションコードプールから200kの高品質推論軌道を合成し,教師付き微調整を行う。 第二に、コード正当性、視覚的忠実性、構造的整合性を評価し、各ロールアウトにランダムな思考予算を割り当てる即効性報酬という2つの相補的な報酬を用いて、強化学習によるモデルを最適化する。
• 参考スコア（独自算出の注目度）: 6.014442477518621
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chart editing requires inferring and modifying visualization code from a reference chart image based on an editing instruction, challenging fine-grained visual reasoning, instruction following, and executable code synthesis capabilities of MLLMs. Large reasoning models (LRMs) with extended Chain-of-Thought (CoT) reasoning are suitable for tackling such complex multimodal tasks. However, our preliminary study reveals an ``inverted-U'' relationship between reasoning length and chart-editing performance: Excessive reasoning often leads to ``overthinking,'' where models drift toward hallucinated visual details or get stuck in redundant reasoning loops. To address the gap, we introduce REChart, a two-stage training framework that provides process-level supervision over intermediate reasoning steps, improving both editing fidelity and reasoning efficiency. First, we synthesize 200k high-quality reasoning trajectories for supervised fine-tuning from a large image-instruction-code pool, using a role-specialized agentic Reason-Score-Refine workflow that iteratively refine the chart code toward higher quality. Second, we optimize the model via reinforcement learning with two complementary rewards: a \emph{fidelity} reward evaluating code correctness, visual fidelity, and structural consistency, and an \emph{efficiency} reward that assigns each rollout a random thinking budget, truncates the reasoning process, and credits the final reasoning segment according to its contribution to the output. On the ChartEdit and ChartMIMIC benchmarks, our model achieves state-of-the-art chart-editing performance among open-source models of comparable scale, while mitigating overthinking and reducing average reasoning token usage by 79.0\% under a maximum thinking budget of 16,384 tokens compared with the base model.
• Abstract（参考訳）: チャート編集には、編集命令、きめ細かな視覚的推論、命令追従、MLLMの実行可能なコード合成機能に挑戦する参照チャート画像から視覚化コードを推論および修正する必要がある。 拡張Chain-of-Thought (CoT)推論を持つ大推論モデル(LRM)は、このような複雑なマルチモーダルタスクに取り組むのに適している。 過剰な推論は、しばしば'過剰思考'につながり、モデルが幻覚された視覚的詳細に向かって漂うか、冗長な推論ループで行き詰まる。 このギャップに対処するため、中間的推論ステップに対してプロセスレベルの監視を提供する2段階のトレーニングフレームワークであるREChartを導入し、編集精度と推論効率を改善した。 まず,ロール特殊化エージェントReason-Score-Refineワークフローを用いて,教師付き微調整のための200kの高品質推論軌道を合成する。 第2に、コード正当性、視覚的忠実性、構造的整合性を評価する \emph{fidelity} と、ランダムな思考予算を割り当てる \emph{efficiency} の報酬と、推論プロセスの切り離し、出力への寄与に応じて最終的な推論セグメントを信用する \emph{fidelity} の報酬である。 ChartEditとChartMIMICのベンチマークでは、ベースモデルと比較して16,384トークンの最大思考予算の下で平均推論トークン使用率を79.0\%削減しながら、同等規模のオープンソースモデル間で最先端のチャート編集性能を実現している。

関連論文リスト

• Navigating the Mirage: A Dual-Path Agentic Framework for Robust Misleading Chart Question Answering [40.87166294341564]
  ChartCynicsは「懐疑的」推論パラダイムを通じて視覚的騙しを解き放つように設計されたフレームワークである。 エージェント Summarizer は2段階のプロトコルにより最適化された: Oracle-Informed SFT による蒸留の推論と対向アライメントのためのDeception-Aware GRPO である。 我々は,ChartCynicsが74.43%,64.55%の精度を実現し,Qwen3-VL-8Bのバックボーンよりも29%の絶対的な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2026-03-30T15:32:24Z)
• On the Out-of-Distribution Generalization of Reasoning in Multimodal LLMs for Simple Visual Planning Tasks [56.98385132295952]
  簡単な計画課題において,チェーン・オブ・ソート・アプローチがいかに一般化するかを評価する。 複数のテキスト形式を組み合わせた推論トレースが、最高の(かつ非自明な)OOD一般化をもたらすことが分かりました。 純粋にテキストベースのモデルは、画像ベースの入力を利用するモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-02-17T09:51:40Z)
• ChartVerse: Scaling Chart Reasoning via Reliable Programmatic Synthesis from Scratch [57.01439313241121]
  グラフの複雑さを定量化する新しい指標であるRollout Posterior Entropy(RPE)を紹介する。 また、推論厳密性を保証するために、真正対応の逆QA合成を開発する。 さらに, モデルフェールレートに基づく試料をろ過し, 高品質なCoT (Chain-of-Thought) 推算を行った。
  論文  参考訳（メタデータ） (2026-01-20T05:11:44Z)
• Adversarial Yet Cooperative: Multi-Perspective Reasoning in Retrieved-Augmented Language Models [72.4149653187766]
  本稿ではAdrialversa Reasoning RAG(ARR)というReasoner-Verifierフレームワークを提案する。 ReasonerとVerifierは、回収された証拠を推論し、プロセス認識の利点によってガイドされながら、互いの論理を批判する。 複数のベンチマーク実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-08T06:57:03Z)
• ThinkRL-Edit: Thinking in Reinforcement Learning for Reasoning-Centric Image Editing [33.888289858260706]
  画像編集の質を向上させるために,強化学習(RL)について検討した。 RL は,(1) ノイズ除去に限定した推論探索,(2) バイアスド報酬融合,(3) 不安定な VLM ベースの命令報酬の3つの主要な課題に直面している。 画像合成から視覚的推論を分離する推論中心のRLフレームワークであるThinkRL-Editを提案する。
  論文  参考訳（メタデータ） (2026-01-06T23:43:00Z)
• 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)
• ChartReasoner: Code-Driven Modality Bridging for Long-Chain Reasoning in Chart Question Answering [12.285453136336507]
  本稿では,チャート上での正確かつ解釈可能な推論を可能にするための,コード駆動型フレームワークを提案する。 まず、多彩なチャート画像を構造化されたEChartsコードに変換するために、高忠実度モデルを訓練する。 次に、一般的なチャート推論データ合成パイプラインを設計する。 最後に、教師付き微調整と強化学習を組み合わせた最終マルチモーダルモデルを訓練する。
  論文  参考訳（メタデータ） (2025-06-11T18:55:36Z)
• ChartSketcher: Reasoning with Multimodal Feedback and Reflection for Chart Understanding [18.67532755744138]
  チャートの自動理解は、既存のマルチモーダルな大規模言語モデルに重大な課題をもたらす。 現在のステップバイステップ推論モデルは、主にチャート理解のためのテキストベースの論理的推論に焦点を当てている。 マルチモーダルフィードバック駆動のステップバイステップ推論手法であるChartSketcherを提案する。
  論文  参考訳（メタデータ） (2025-05-25T10:21:29Z)
• Compile Scene Graphs with Reinforcement Learning [69.36723767339001]
  次世代予測は大規模言語モデル(LLM)の訓練の基本原理である 本稿では,マルチモーダルLLM(M-LLM)であるR1-SGGを紹介する。 私たちは、Hard Recall、Hard Recall+Relax、Soft Recallの3つのリコールベースのバリエーションを含む、グラフ中心の報酬セットを設計します。
  論文  参考訳（メタデータ） (2025-04-18T10:46:22Z)
• Visualizing Thought: Conceptual Diagrams Enable Robust Planning in LMMs [59.66595230543127]
  概念図はメンタルモデルを外部化し、関係のない詳細を抽象化して、エンティティの相互作用を効率的に捉える。 大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) は、主にテキストを通して推論される。 我々は、LMMが複数の自己生成概念図を通した推論を可能にする、一般化可能なフレームワークであるVisual Thinkingを提案する。
  論文  参考訳（メタデータ） (2025-03-14T18:27:02Z)

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。