Fugu-MT 論文翻訳(概要): CARD: Diagnosing Belief to Action Routing Failures in Vision Language Models

論文の概要: CARD: Diagnosing Belief to Action Routing Failures in Vision Language Models

arxiv url: http://arxiv.org/abs/2608.20763v1
Date: Fri, 21 Aug 2026 05:53:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-24 14:49:32.412042
Title: CARD: Diagnosing Belief to Action Routing Failures in Vision Language Models
Title（参考訳）: CARD:視覚言語モデルにおける行動ルーティング失敗に対する信念の診断
Abstract要約: 視覚言語モデル(VLM)は、エージェントの信念、知識、意図などの精神状態を表す。これらの表現が、これらの軸に沿って下流の予測によって使用されるか、またどのように使用されるかは、不明である。我々は、異なる軸の予測の応答を測定しながら、一方の軸に沿って活性化を操縦するクロス軸ルーティング診断(CARD)を導入する。
参考スコア（独自算出の注目度）: 15.414535886776832
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Linear probes and activation steering have uncovered that vision-language models (VLMs) internally represent mental states such as agents' beliefs, knowledge, and intentions. However, it is unclear whether and how these representations are used by downstream predictions along these axes. To close this gap, we introduce Cross-Axis Routing Diagnostic (CARD), which steers activations along one axis while measuring the response of a different axis's prediction. Applied to open-weight VLMs on Relay Chain -- a new cooperative grid-world benchmark we propose -- we diagnose a critical routing failure: models fail to incorporate belief representations into their next action prediction, effectively leaving valuable information about their partners unused.
Abstract（参考訳）: リニアプローブとアクティベーションステアリングは、視覚言語モデル(VLM)がエージェントの信念、知識、意図などの精神状態を内部的に表現していることを明らかにする。しかし、これらの表現がこれらの軸に沿って下流の予測によって使われているかどうかは不明である。このギャップを埋めるために、異なる軸の予測の応答を測定しながら、一方の軸に沿って活性化を操るCARD(Cross-Axis Routing Diagnostic)を導入する。私たちが提案する新しい協調グリッドワールドベンチマークであるRelay ChainのオープンウェイトなVLMに適用すると、我々は重要なルーティング障害を診断する。

関連論文リスト

Uncertainty Quantification for Flow-Based Vision-Language-Action Models [33.28454469934064]
視覚言語アクションモデル(VLA)は、視覚言語バックボーンと、大規模ロボットデータセットのフローマッチングによってトレーニングされた表現力豊かな生成アクションヘッドを組み合わせる。ロボット操作における強い経験的性能にもかかわらず、VLAは予測の信頼性を定量化し、動作が信頼できない可能性があることを検知するメカニズムを欠いている。本稿では,不確実性誘導型アクティブ微調整のためのフレームワークであるSAVEを提案する。
論文参考訳（メタデータ） (2026-06-16T15:19:09Z)
Rethinking Embodied Navigation via Relational Inductive Bias [53.72276435022479]
本稿では,DB-Navを提案する。標的中心の関係を活性化バイアスと抑制バイアスに分類する。成功率(SR)と成功率(SPL)はパス長さ(SPL)が重み付けされているため、既存の方法よりも著しく優れています。
論文参考訳（メタデータ） (2026-06-09T02:57:34Z)
Beyond Task Success: Behavioral and Representational Diagnostics for WAM and VLA [8.586006378757878]
VLA(Vision- Language-action)ポリシーとWAM(World-Action Models)は、ロボット操作においてますます重要なパラダイムである。本稿では,WAMが将来予測を単に追加するか,ロボットの動作や内部表現を制御可能な方法で変更するかを問う。
論文参考訳（メタデータ） (2026-05-31T08:35:12Z)
Is the Future Compatible? Diagnosing Dynamic Consistency in World Action Models [28.165928090888986]
世界行動モデル(WAM)は、将来の観察と行動を予測することにより、想像上のロールアウトを通じて意思決定を可能にする。動作状態の整合性、予測された動作と誘導された状態遷移の整合性を、WAMの信頼性の欠如の軸として同定する。テスト時間選択のための価値のないコンセンサス戦略を導入し、予測される未来間での合意によって、候補のロールアウトをランク付けする。
論文参考訳（メタデータ） (2026-05-08T09:44:43Z)
Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
論文参考訳（メタデータ） (2026-02-04T05:37:09Z)
Mechanistic Indicators of Steering Effectiveness in Large Language Models [3.635648354808971]
アクティベーションベースのステアリングにより、大規模言語モデルでは、トレーニングをせずに中間的アクティベーションに介入することで、ターゲットとなる振る舞いを表現できる。広く使われているにもかかわらず、操舵が成功または失敗する際の機械的要因はいまだに理解されていない。ステアリングの信頼性を内部モデル信号を用いて診断できるかどうかを検討する。
論文参考訳（メタデータ） (2026-02-02T06:56:22Z)
ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
論文参考訳（メタデータ） (2026-01-23T11:31:07Z)
From Passive Metric to Active Signal: The Evolving Role of Uncertainty Quantification in Large Language Models [77.04403907729738]
このサーベイは、受動的診断基準からリアルタイムモデル動作を導くアクティブ制御信号への不確実性の進化をグラフ化する。 3つのフロンティアにまたがるアクティブ制御信号として不確実性がいかに活用されているかを示す。この調査は、次世代のスケーラブルで信頼性があり、信頼できるAIを構築するためには、新しい不確実性のトレンドを習得することが不可欠である、と論じている。
論文参考訳（メタデータ） (2026-01-22T06:21:31Z)
Counterfactual VLA: Self-Reflective Vision-Language-Action Model with Adaptive Reasoning [71.19675094463834]
この作業では、モデルが実行前に計画されたアクションを推論し、修正することを可能にする、自己修正型のVLAフレームワークである、Counterfactual VLAを導入している。 CF-VLAはまず、駆動意図を要約した時間分割メタアクションを生成し、その後、メタアクションと視覚コンテキストの両方で条件付けられた反実的推論を実行する。大規模運転データセットの実験では、CF-VLAは軌道精度を最大17.6%向上し、安全基準を20.5%向上し、適応的思考を示す。
論文参考訳（メタデータ） (2025-12-30T19:04:17Z)
TRACE: A Self-Improving Framework for Robot Behavior Forecasting with Vision-Language Models [1.3408365072149797]
反応剤の短期的挙動を予測することは、多くのロボットシナリオにおいて重要である。本稿では,ツリー・オブ・ソート・ジェネレーションとドメイン・アウェア・フィードバックを結合した推論フレームワークTRACEを提案する。我々は,地上車両シミュレーションと実世界海面車両の両面においてTRACEを検証した。
論文参考訳（メタデータ） (2025-03-02T06:58:02Z)
Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文参考訳（メタデータ） (2024-10-08T17:59:03Z)

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。