論文の概要: Dual-Latent Memory Routing for Vision-Language Reasoning

• arxiv url: http://arxiv.org/abs/2609.05539v1
• Date: Wed, 02 Sep 2026 10:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.090061
• Title: Dual-Latent Memory Routing for Vision-Language Reasoning
• Title（参考訳）: ビジョンランゲージ推論のためのデュアルレイテンシメモリルーティング
• Abstract要約: MLLM(Multimodal large language model)は近年,視覚言語推論において大きな進歩を遂げているが,世代が長くなるにつれてその性能は低下することが多い。 複雑なタスクを解く際に、人間が何を見たか、何を推測したかを個別に思い出す方法に着想を得て、DLMRを提案する。 画像証拠を圧縮するビジュアルメモリと、中間的な結論と制約を追跡する推論メモリである。
• 参考スコア（独自算出の注目度）: 39.90357280328134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal large language models (MLLMs) have recently made strong progress in vision-language reasoning, yet their performance often degrades as generations grow longer. A key factor is that they frequently lose track of earlier visual evidence and intermediate constraints under a monolithic growing context. Inspired by how humans separately recall what they see and what they infer when solving complex tasks, we propose DLMR, a parameter-efficient mechanism that equips MLLMs with Dual Latent Memories: a visual memory that compresses image evidence and a reasoning memory that tracks intermediate conclusions and constraints. A Router then dynamically decides which memory and how much to reuse during inference, preserving visual grounding while maintaining coherent long-horizon reasoning. DLMR is trained in three stages, from latent memory construction to selective router learning, while keeping the base MLLM frozen, yielding substantial gains on both general and reasoning benchmarks with only a small number of additional trainable parameters. Analyses further show interpretable, state-dependent routing with specialized memory roles and reduced decoding tokens over long generations. Code is available at https://github.com/Hunter-Wrynn/DLMR.
• Abstract（参考訳）: MLLM(Multimodal large language model)は近年,視覚言語推論において大きな進歩を遂げているが,世代が長くなるにつれてその性能は低下することが多い。 重要な要素は、モノリシックな成長状況下で、初期の視覚的エビデンスと中間的制約の追跡をしばしば失うことである。 複雑なタスクを解く際に、人間が何を見るか、何を推測するかを別々に記憶する方法にインスパイアされたDLMRは、MLLMにDual Latent Memoriesを装備するパラメータ効率のよいメカニズムであり、画像証拠を圧縮するビジュアルメモリと、中間的な結論と制約を追跡する推論メモリである。 ルータは推論中にどのメモリとどの程度再利用するかを動的に決定し、コヒーレントなロングホライゾン推論を維持しながら視覚的グラウンドを保存する。 DLMRは、遅延メモリ構築から選択ルータ学習までの3段階でトレーニングされ、ベースMLLMは凍結され、少数のトレーニング可能なパラメータしか持たない一般的なベンチマークと推論ベンチマークの両方で大幅に向上する。 さらに分析では、特別なメモリロールを持つ解釈可能な状態依存のルーティングと、長い世代にわたるデコードトークンの削減が示されている。 コードはhttps://github.com/Hunter-Wrynn/DLMRで入手できる。

関連論文リスト

• Homer: Understanding Long-form Videos with Hierarchical Memory and Agentic Reasoning [77.7531245219403]
  textscHomerは階層型オンラインメモリ探索および推論フレームワークである。 textscHomerの記憶は、生の知覚から繰り返される実体、明示的な時間的・因果関係と結びついた出来事まで、長いビデオのマルチスケール構造を反映している。 textscHomerは、M3-Bench-robot、M3-Bench-web、Video-MME-Longで$+5.5$、$+10.8$、$+4.4$ポイントで前のベストエージェントメソッドより優れている。
  論文  参考訳（メタデータ） (2026-07-01T05:53:09Z)
• MemLens: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models [50.25006399944962]
  メモリは、長いマルチモーダル相互作用を扱うために、大きな視覚言語モデルにとって不可欠である。 MEMLENSはマルチモーダルマルチセッション会話におけるメモリのベンチマークである。 我々は27個のLVLMと7個のメモリ増強剤を評価した。
  論文  参考訳（メタデータ） (2026-05-14T14:41:17Z)
• From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents [78.30630000529133]
  本稿ではファジィトレース理論に基づくピラミッド型マルチモーダルメモリアーキテクチャMM-Memを提案する。 MM-Memメモリは階層的に感覚バッファ、エピソードストリーム、シンボリックに構造する。 実験により、MM-Memがオフラインタスクとストリーミングタスクの両方で有効であることが確認された。
  論文  参考訳（メタデータ） (2026-03-02T05:12:45Z)
• WorldMM: Dynamic Multimodal Memory Agent for Long Video Reasoning [66.24870234484668]
  我々は,複数の相補的記憶から構築・取得する,新しいマルチモーダルメモリエージェント WorldMM を紹介する。 WorldMMは5つの長いビデオ質問回答ベンチマークで既存のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-12-02T05:14:52Z)
• Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
  ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。 視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2025-11-26T18:55:08Z)
• Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning [89.55738101744657]
  大規模言語モデル(LLM)は、幅広いNLPタスクで印象的な機能を示しているが、基本的にはステートレスである。 本稿では,LLMに外部メモリを積極的に管理・活用する機能を備えた強化学習フレームワークであるMemory-R1を提案する。
  論文  参考訳（メタデータ） (2025-08-27T12:26:55Z)
• Can Memory-Augmented Language Models Generalize on Reasoning-in-a-Haystack Tasks? [31.192647141427233]
  本稿では,メモリ拡張型LLMアーキテクチャであるMemReasonerを提案する。 MemReasonerはエンドツーエンドでトレーニングされ、オプションで事実管理をサポートする。 シングルホップタスクと2ホップタスクの両方において,MemReasonerの強い一般化を示す。
  論文  参考訳（メタデータ） (2025-03-10T22:48:53Z)

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。