論文の概要: VLX-VR: An Agentic-Aware Video Reasoning Model
- arxiv url: http://arxiv.org/abs/2609.09985v1
- Date: Wed, 09 Sep 2026 10:13:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.985317
- Title: VLX-VR: An Agentic-Aware Video Reasoning Model
- Title（参考訳）: VLX-VR:エージェント対応ビデオ推論モデル
- Abstract要約: VLX-VRは、ビデオ推論フレームワーク内で訓練されたエージェント対応のビデオ推論モデルである。
各ステップで、VLX-VRは必要なエビデンスを決定し、 read_Memory または write_Memory を呼び出し、返却されたObservation を取り込み、継続するかタスク出力を生成するかを決定する。
VLX-VRは、我々の比較に含まれるモデルのうち、最先端のパフォーマンスを78.79%の精度で達成する。
- 参考スコア（独自算出の注目度）: 19.300974951713187
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world video understanding requires integrating visual, audio, textual, and temporal evidence distributed across a video. Yet many pipelines use a fixed video context and single-pass inference, limiting adaptive evidence acquisition when observations are incomplete, ambiguous, or conflicting. We present VLX-VR, an agentic-aware video reasoning model trained within a video reasoning framework defined by a Think--Memory--Observation loop. At each step, VLX-VR determines the needed evidence, invokes read_memory or write_memory, incorporates the returned Observation, and decides whether to continue or produce the task output. We train VLX-VR with multimodal data, including videos and agent trajectories, using reinforcement learning to learn evidence acquisition, memory use, and termination. On MINERVA, VLX-VR achieves state-of-the-art performance among the models included in our comparison, with 78.79% accuracy. Under the original three duration groups, its accuracies are 76.70%, 78.73%, and 80.92%, with a cross-duration accuracy variance of 2.97~$\mathrm{pp}^2$. On correctly answered samples, 96.20% of VLX-VR's reasoning traces are consistent with the MINERVA reference reasoning traces and the evidence described by them, while approximately 75.80% of all evaluated samples satisfy both answer correctness and this evidence-grounded trace criterion. These results show strong performance and broadly stable behavior across durations, while counting, state changes, causal reasoning, and spatial perception remain challenging.
- Abstract（参考訳）: 実世界のビデオ理解には、ビデオに分散した視覚的、音声的、テキスト的、時間的証拠を統合する必要がある。
しかし、多くのパイプラインは、固定されたビデオコンテキストとシングルパス推論を使用し、観察が不完全、曖昧、あるいは矛盾する場合、適応的なエビデンス獲得を制限する。
本稿では,Think-Memory-Observationループで定義されたビデオ推論フレームワーク内でトレーニングされた,エージェント対応のビデオ推論モデルであるVLX-VRを提案する。
各ステップで、VLX-VRは必要なエビデンスを決定し、 read_Memory または write_Memory を呼び出し、返却されたObservation を取り込み、継続するかタスク出力を生成するかを決定する。
VLX-VRをビデオやエージェントトラジェクトリを含むマルチモーダルデータでトレーニングし、強化学習を用いてエビデンス取得、メモリ使用、終了を学習する。
MINERVAでは、VLX-VRは78.79%の精度で、我々の比較に含まれるモデルの中で最先端のパフォーマンスを達成する。
当初の3つの期間群では、精度は76.70%、78.73%、そして80.92%であり、2.97~$\mathrm{pp}^2$である。
正しく答えられたサンプルでは、VLX-VRの推論トレースの96.20%はMINERVA参照推論トレースとそれらによって記述されたエビデンスと一致しており、全ての評価サンプルの約75.80%は答えの正当性とこのエビデンスに基づくトレース基準の両方を満たす。
これらの結果から, 測定, 状態変化, 因果推論, 空間知覚が困難でありながら, 長期にわたって強い性能と広範囲に安定な行動を示す。
関連論文リスト
- VideoScout: Learning Agentic Active Exploration with Adaptive Reasoning Pacing for Long Video Understanding [61.00809248898572]
ロングビデオ理解(英: Long video understanding)とは、エージェントが時間軸に沿って回転してビデオを読み取る問題である。
適応推論によるSEAパラダイムをインスタンス化するマルチターン推論エージェントである textbfVideoScout を提案する。
長いビデオ理解と推論のベンチマーク実験により、我々の7Bモデルは、既存の訓練された7Bエージェントモデルと比較して、強い性能を発揮することが示された。
論文 参考訳（メタデータ） (2026-09-14T14:04:03Z) - VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning [133.66021945481876]
本稿では,視覚的推論生成をネイティブに制御可能にするテストベッドであるVBVR-Proを紹介する。
VBVR-Proは、視覚的推論を300の手続き的に生成されたタスク空間に変換する。
VLM-as-a-judgeパラダイムの繰り返し発生する障害モードを同定する。
論文 参考訳（メタデータ） (2026-08-26T17:59:51Z) - VideoVIBE: A Video-Grounded Diagnostic Benchmark for One-Shot Interactive Website Generation [21.170620211073217]
VideoVIBEは、人間が操作するウェブページの記録をきめ細かな診断タスクに変換するビデオグラウンドのベンチマークである。
V2Lensは、トレーニングのないエビデンスベースのマルチエージェントシステムで、初期ビデオベースの診断に挑戦し、選択的に洗練する。
論文 参考訳（メタデータ） (2026-08-10T13:07:40Z) - Benchmarking Visual State Tracking in Multimodal Video Understanding [67.73383974166462]
マルチモーダル大言語モデル(MLLM)における視覚状態追跡の診断のためのVisual STAte Tracking benchmark (VSTAT)を導入する。
VSTATは、合成ビデオと実世界のビデオの両方から834のクリップで構成され、1500の質問と組み合わせて、1つのフレームまたはショートセグメントから答えられない。
MLLMは理由を見つけ、テキストで正しく追跡するが、追跡するイベントを視覚的に知覚することができない。
論文 参考訳（メタデータ） (2026-06-02T17:12:05Z) - MOSS-Video-Preview: Toward Real-Time Video Understanding via Cross-Attention [53.80990122465395]
クロスアテンションバックボーンは、一般的なデコーダのみの設計よりもリアルタイムの視覚言語融合に適していることを示す。
我々のモデルはQwen2.5-VL-7Bベースライン全体に続く。
256フレームの1つのH200では、最初のトークンの5倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-06-01T09:07:15Z) - ReTrack: Evidence-Driven Dual-Stream Directional Anchor Calibration Network for Composed Video Retrieval [24.278296673415827]
Composed Video Retrieval (CVR) はビデオ検索の新しいパラダイムとして登場した。
伝統的な合成法は、合成された特徴を基準ビデオに偏りがちである。
ReTrackは、構成された機能の方向バイアスを校正することで、マルチモーダルクエリ理解を改善する最初のCVRフレームワークである。
論文 参考訳（メタデータ） (2026-04-20T07:17:59Z) - Video-MME-v2: Towards the Next Stage in Benchmarks for Comprehensive Video Understanding [98.3098451637867]
Video-MME-v2は、ビデオ理解の堅牢性と忠実さを厳格に評価するために設計された総合的なベンチマークである。
データ品質を保証するため、Video-MME-v2は厳格に制御された人間のアノテーションパイプラインを通して構築される。
論文 参考訳（メタデータ） (2026-04-06T17:59:56Z) - CoVR-R:Reason-Aware Composed Video Retrieval [25.765681895305736]
Composed Video Retrieval (CoVR)は、参照ビデオとテキスト修正が与えられたターゲットビデオを見つけることを目的としている。
以前の作業では、修正文が視覚的変化を完全に特定し、後効果や暗黙的な結果を見下ろしていると仮定していた。
我々は、大規模なマルチモーダルモデルを利用して、編集によって引き起こされる因果関係や時間的結果を予測する推論ファースト、ゼロショットアプローチを導入する。
論文 参考訳（メタデータ） (2026-03-20T17:59:25Z) - Active Video Perception: Iterative Evidence Seeking for Agentic Long Video Understanding [139.83981719664794]
LVU(Long Video Understanding)は、現実のクエリに答えることが、数時間の計算時間内に埋められた、時間的に分散されたキューと無関係なコンテンツに依存するため、難しい。
我々は,映像をインタラクティブな環境として扱うエビデンス検索フレームワークであるActive Video Perception(AVP)を,画素から直接クエリ関連エビデンスを取得する。
論文 参考訳（メタデータ） (2025-12-05T15:03:48Z) - Enhancing Partially Relevant Video Retrieval with Robust Alignment Learning [29.427720184101474]
関連のあるビデオ検索は、あるクエリに関連するビデオを取得することを目的としている。
中心となる課題は、突発的なセマンティックな相関に対して、堅牢なクエリとビデオのアライメントを学ぶことだ。
データの不確実性を明示的にモデル化するRobust Alignment Learningフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-01T11:30:43Z) - MAGNET: A Multi-agent Framework for Finding Audio-Visual Needles by Reasoning over Multi-Video Haystacks [67.31276358668424]
AV-HaystacksQAという新しいタスクを導入し、クエリに応答して、異なるビデオにまたがる有能なセグメントを識別し、それらをリンクして最も有意義な回答を生成する。
AVHaystacksは、マルチビデオ検索および時間的グラウンドタスクにおけるLMMの能力を評価するために設計された3100の注釈付きQAペアからなるオーディオビジュアルベンチマークである。
提案するAVHaystackのQAタスクにおけるBLEU@4およびGPT評価スコアの基準値よりも89%と65%の相対的な改善を実現し、モデルに依存しないマルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-08T06:34:29Z)
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。