論文の概要: NormViz: A Benchmark and Framework for Grounding Multimodal Reasoning in Global Cultures

• arxiv url: http://arxiv.org/abs/2609.06831v1
• Date: Sun, 06 Sep 2026 21:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.311178
• Title: NormViz: A Benchmark and Framework for Grounding Multimodal Reasoning in Global Cultures
• Title（参考訳）: NormViz:グローバルカルチャーにおけるマルチモーダル推論のベンチマークとフレームワーク
• Abstract要約: 16か国にまたがる3,268枚のコントラスト画像ペアのベンチマークを導入する。 それぞれのペアは、それぞれのイメージの解釈方法を変える文化的な振る舞いにのみ変化する。 説明と組み合わせた64k画像のトレーニングデータセットであるNormViz-Trainを紹介する。
• 参考スコア（独自算出の注目度）: 58.53196987370368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI systems are used worldwide, but they struggle to serve the needs of culturally diverse populations. Prior work on cultural understanding evaluates AI systems on text-only settings or on visual artifact recognition (e.g. foods, clothing). The ability to reason about visually observable behaviors through local social norms, which we call visual norm understanding, remains unexamined. We introduce NormViz-Bench, a high quality, human-validated benchmark of 3,268 contrastive image pairs (6,536 images) spanning 16 countries. Each pair varies only in the culturally relevant behavior (e.g., objects, attributes, spatial relations, and actions) that alters how each image is interpreted. Each image is labeled as conforming to, violating, or irrelevant to local social norms, and pair-level evaluation requires both images to be correctly classified, thereby preventing reliance on superficial visual shortcuts. Even the strongest VLMs, Gemini 3.0 Flash and Qwen2.5 VL 7B, succeed on only 26.6% and 21.6% of pairs, struggling most with identifying violating and culturally benign visual behaviors. Towards bridging this, we introduce NormViz-Train, a training dataset of 64k images paired with explanations. Though absolute performance remains low (<30%), finetuning on NormViz-Train improves pair accuracy relatively by up to 125% and 36% Qwen3-VL 4B and 8B respectively, showing a path forward to teach models to connect visual perception to cultural significance. Together, NormViz-Bench and NormViz-Train establish visual norm understanding as a challenging and consequential frontier for multimodal AI.
• Abstract（参考訳）: AIシステムは世界中で使われているが、文化的に多様な人口のニーズを満たすのに苦労している。 文化理解に関する以前の研究は、テキストのみの設定や視覚的アーティファクト認識(食品、衣服など)でAIシステムを評価する。 視覚的規範理解と呼ばれる局所的な社会的規範を通して、視覚的に観察可能な行動について推論する能力は、いまだ検討されていない。 我々は16か国にまたがる3,268枚のコントラスト画像対(6,536枚)の高品質で有能なベンチマークであるNormViz-Benchを紹介した。 それぞれのペアは、それぞれのイメージの解釈方法を変更する文化的に関連する行動(例えば、オブジェクト、属性、空間的関係、行動)によってのみ変化する。 各画像は、局所的な社会的規範に適合、違反、あるいは無関係とラベル付けされ、ペアレベルの評価では、両方の画像を正しく分類する必要があるため、表面的な視覚的ショートカットへの依存を防止できる。 最強のVLMであるGemini 3.0 FlashとQwen2.5 VL 7Bでさえ、26.6%と21.6%のペアで成功し、暴力的で文化的に良識のある視覚行動の特定に苦戦した。 これをブリッジするために、説明と組み合わせた64k画像のトレーニングデータセットであるNormViz-Trainを紹介した。 絶対的なパフォーマンスは低い (30%) が、NormViz-Trainの微調整は、それぞれ125%と36%のQwen3-VL 4Bと8Bのペア精度を相対的に向上させる。 NormViz-Bench氏とNormViz-Train氏は共に、視覚的規範理解を、マルチモーダルAIの挑戦的で簡潔なフロンティアとして確立している。

関連論文リスト

• CCBENCH: Assessing LLM Cultural Competence via Implicitly Signaled Norms using Health Queries [42.15271207948674]
  大規模言語モデル(LLM)における文化的能力評価フレームワークであるCCBENCHを紹介する。 CCBENCH-Healthは、6つの文化にまたがる様々な標準順守状態を示す60の人格を含む。 5つの主要なモデルをベンチマークすると、最善者が文化的に適切なレスポンスを達成しても、その時間の20～30%しか得られないことが明らかになった。
  論文  参考訳（メタデータ） (2026-06-08T22:52:34Z)
• Exposing Blindspots: Cultural Bias Evaluation in Generative Image Models [14.992895369883504]
  先行研究は、主にテキスト・トゥ・イメージ(T2I)システムにおける文化的偏見を調査してきた。 6カ国で統一的な評価でこのギャップを埋める。 クロスカントリー、クロスエラ、クロスカテゴリの評価を導出します。
  論文  参考訳（メタデータ） (2025-10-22T21:42:59Z)
• VideoNorms: Benchmarking Cultural Awareness of Video Language Models [19.29068943180369]
  私たちは、米国と中国の文化から1000以上のペア(ビデオクリップ、標準)のベンチマークであるVideoNormsを紹介します。 我々は人間とAIの協調フレームワークを使用し、理論的に接地されたプロンプトを用いた教師モデルが候補アノテーションを提供する。 新しいデータセット上で、さまざまなオープンウェイトなVideoLLMをベンチマークし、いくつかの共通のトレンドを強調します。
  論文  参考訳（メタデータ） (2025-10-09T17:54:55Z)
• Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology [87.65242416688146]
  TreeBenchは、ビジュアルグラウンド推論の診断ベンチマークである。 TreeVGRは、強化学習と共同でローカライゼーションと推論を監督する訓練パラダイムである。
  論文  参考訳（メタデータ） (2025-07-10T17:59:58Z)
• CAIRe: Cultural Attribution of Images by Retrieval-Augmented Evaluation [61.130639734982395]
  本稿では,画像の文化的関連度を評価する新しい評価指標であるCAIReを紹介する。 本フレームワークは,イメージ内の実体と概念を知識ベースに基盤として,実情報を用いて各文化ラベルに対して独立した評価を行う。
  論文  参考訳（メタデータ） (2025-06-10T17:16:23Z)
• Multimodal Cultural Safety: Evaluation Frameworks and Alignment Strategies [58.88053690412802]
  大規模視覚言語モデル(LVLM)は、観光アシスタントのようなグローバルに分散したアプリケーションにますます導入されている。 CROSSは、LVLMの文化的安全性推論能力を評価するために設計されたベンチマークである。 実験モデルと推論モデルを含む21種類のLVLMを評価した。
  論文  参考訳（メタデータ） (2025-05-20T23:20:38Z)
• RAVENEA: A Benchmark for Multimodal Retrieval-Augmented Visual Culture Understanding [79.44246283490665]
  本稿では,検索による視覚文化理解の促進を目的とした新しいベンチマークであるRAVENEAを紹介する。 RAVENEAは、文化中心の視覚的質問応答(cVQA)と文化インフォームドイメージキャプション(cIC)の2つのタスクに焦点を当てている。 画像クエリ毎に7つのマルチモーダルレトリバーを訓練・評価し、14の最先端の視覚言語モデルにおける検索強化入力の下流への影響を計測する。
  論文  参考訳（メタデータ） (2025-05-20T14:57:16Z)
• Probing Visual Language Priors in VLMs [51.016683265437536]
  我々は,意図的に分布外画像を特徴付けるベンチマークであるViLPを紹介した。 ViLPの各質問には、3つの潜在的な答えと3つの対応するイメージが結合される。 本稿では,モデルが新たなVQAデータを生成し,ピクセルレベルおよびセマンティックな汚職を適用して,自己学習のための「良いバッド」画像ペアを生成する自己改善フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-31T17:54:29Z)
• On the Cultural Gap in Text-to-Image Generation [75.69755281031951]
  テキスト・トゥ・イメージ(T2I)生成における課題のひとつは、トレーニングデータに存在する文化ギャップの意図しない反映である。 クロスカルチャー画像を生成するT2Iモデルの能力を体系的に評価するベンチマークは存在しない。 本稿では,モデルが対象文化にどの程度適しているかを評価するため,包括的評価基準付きChallenging Cross-Cultural (C3)ベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-07-06T13:17:55Z)

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。