論文の概要: HALDETECT at ImageEval 2026 Shared Tasks: Answer-First Contrastive Grounding with QLoRA

• arxiv url: http://arxiv.org/abs/2609.11236v1
• Date: Thu, 10 Sep 2026 08:35:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.257646
• Title: HALDETECT at ImageEval 2026 Shared Tasks: Answer-First Contrastive Grounding with QLoRA
• Title（参考訳）: HALDETECT at ImageEval 2026 Shared Tasks: Answer-First Contrastive Grounding with QLoRA
• Abstract要約: 本稿では,ImageEval 2026の英語幻覚検出トラック(Task 1b)のシステムであるHALDETECTについて述べる。 我々は、その項目を1つの対照的な決定として、その説明の前に回答を出力し、色/テクスチャ、形/形、コンテキストに関する構造的推論を行う。 最良入力アダプタQwen2.5-VL-7B-Instruct with 4bit QLoRA while frozen the vision encoder and reach Contrastive Instability (CI) 0.035 on the 1000-item test set。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large multimodal models tend to hallucinate visual detail fluently, which limits their deployment for fine-grained interpretation. We present HALDETECT, our system for the English hallucination-detection track (Task 1b) of ImageEval 2026, in which a system must identify, from an image and three culturally plausible statements, the single visually grounded one. We frame the item as one contrastive decision, emit the answer before its explanation, and structure reasoning around colour/texture, shape/form, and context. Our best submitted adapter fine-tunes Qwen2.5-VL-7B-Instruct with 4-bit QLoRA while freezing the vision encoder and reaches Contrastive Instability (CI) 0.035 on the 1,000-item test set; we placed third of eight teams. Development experiments show that answer order can matter more than model scale and that adaptation beats prompting alone. Retrospective paired analysis of the released gold labels confirms the QLoRA gain over the best prompt but not the small gap between the devtest-selected and best-test adapters, and reseeding all four training sizes shows that the apparent data-scaling curve does not survive a seed change. The 35 residual errors are culturally plausible function, material, and recognition distinctions; naive adapter voting does not help.
• Abstract（参考訳）: 大規模なマルチモーダルモデルは視覚的ディテールを流れるように幻覚させる傾向があり、細かな解釈への展開を制限する。 本稿では,画像と文化的に妥当な3つの文から1つのシステムが識別しなければならない,ImageEval 2026の英語幻覚検出トラック(Task 1b)のシステムであるHALDETECTについて述べる。 我々は、その項目を1つの対照的な決定として、その説明の前に回答を出力し、色/テクスチャ、形/形、コンテキストに関する構造的推論を行う。 最強のアダプタであるQwen2.5-VL-7B-Instruct with 4bit QLoRA while frozen the vision encoder and reach Contrastive Instability (CI) 0.035 on the 1000-item test set。 開発実験では、答えの順序はモデルスケールよりも重要であり、適応が単独で前進することを示している。 リリースされたゴールドラベルのふりかえりのペア解析により、QLoRAのゲインは最高のプロンプトよりも高いが、テスト選択アダプタとベストテストアダプタのギャップは小さいことが確認され、これら4つのトレーニングサイズを再検討した結果、明らかなデータスケーリング曲線はシード変更に耐えられないことが判明した。 35の残差は、文化的に妥当な機能、材料、認識の区別である。

関連論文リスト

• SciTrue: Reliable Scientific Claim Validation with Frontier and Open Language Models at the NTCIR SciClaimEval Task [15.259880314614117]
  11のフロンティアとオープンなマルチモーダルモデルを1つの正直なサンプル・プロトコルでベンチマークする。 SciTrueは4つのエビデンスカテゴリ/サブタスクの組み合わせのうち3つに明確なマージンを付けている。
  論文  参考訳（メタデータ） (2026-09-01T03:30:45Z)
• Answer-Conditioned Chain-of-Thought Distillation for Few-Shot Industrial Vision with Small VLMs [0.0]
  本稿では,新しい産業課題に迅速に適応するための,回答条件付きチェーン・オブ・シークレット(CoT)蒸留法を提案する。 フロンティアVLMは、各トレーニング画像とその正しいラベルを受信し、正当化された視覚的説明を生成する。 我々は,3つの画像モダリティにまたがる4つの産業分類タスクを,タスク毎に18から30のラベル付き画像のみを用いて検証した。
  論文  参考訳（メタデータ） (2026-07-12T09:23:05Z)
• VisualFLIP: Do Predictions Depend on Task-Critical Visual Evidence in Multimodal Reasoning? [79.44137632338062]
  マルチモーダルな大規模言語モデルが視覚的推論問題に正しく答える場合、その予測はタスククリティカルな視覚的証拠によって実際に支持されているか? VisualFLIPは1,374枚の画像が基数,属性,空間,論理的タスクにまたがって同一の問合せペアとして配置されたベンチマークである。 ペアの両面を解く必要がある24個のMLLMと、少なくとも一方の面を解くモデルが両方の画像に対して同じ空でない答えを繰り返す頻度を測定するCR(Collapse Rate)を評価した。
  論文  参考訳（メタデータ） (2026-06-05T22:06:07Z)
• NeuroQA: A Large-Scale Image-Grounded Benchmark for 3D Brain MRI Understanding [6.217658756255346]
  NeuroQAは3次元脳磁気共鳴画像(MRI)における視覚的質問応答のための大規模ベンチマークである 5-104歳と5つの臨床領域(アルツハイマー病、パーキンソン病、腫瘍、白質疾患、神経発達)にまたがる。 NeuroQAは、Yes/No、Multi-choice、オープンエンドフォーマットの11の臨床基礎的推論スキルを評価している。
  論文  参考訳（メタデータ） (2026-05-19T21:54:12Z)
• HopChain: Multi-Hop Data Synthesis for Generalizable Vision-Language Reasoning [86.82637240330791]
  ロングチェーン・オブ・シークレット(CoT)推論は、さまざまな障害モードを公開する。 検証可能な報酬を持つ強化学習に用いられる既存の視覚言語データの多くは、複雑な推論連鎖を含まない。 マルチホップ視覚言語推論データを合成するためのスケーラブルなフレームワークであるHopChainを提案する。
  論文  参考訳（メタデータ） (2026-03-17T18:04:58Z)
• Contra4: Evaluating Contrastive Cross-Modal Reasoning in Audio, Video, Image, and 3D [97.08549913899247]
  Contra4は、画像、オーディオ、ビデオ、および3Dの4つのモードにまたがる、対照的な相互モーダル推論のためのデータセットである。 それぞれの例は、複数の候補モダリティのインスタンスと並んで自然言語の質問を示し、モデルがプロンプトと意味的に一致するものを選択する必要がある。 コントラ4は、人間の注釈付きキャプションとモデルの混在するラウンドトリップ一貫性フィルタを組み合わせることで、高品質な監視を確実にし、174kのトレーニング例と2.3kのサンプルを手作業で検証する。
  論文  参考訳（メタデータ） (2025-06-02T03:12:13Z)
• LENS: Multi-level Evaluation of Multimodal Reasoning with Large Language Models [59.0256377330646]
  Lensは3.4Kの現代画像と8つのタスクと12の日次シナリオをカバーする60K以上の人間による質問のベンチマークである。 このデータセットは本質的に、基本的な知覚から構成的推論に至るまで、画像不変のプロンプトを処理するためのMLLMの評価をサポートする。 我々は,Qwen2.5-VL-72B,InternVL3-78B,GPT-4oおよび2つの推論モデルQVQ-72B-previewとKim-VLなどの15以上のフロンティアMLLMを評価する。
  論文  参考訳（メタデータ） (2025-05-21T15:06:59Z)
• Multi-Modal Hallucination Control by Visual Information Grounding [121.6983694815504]
  本稿では,VLM(Generative Vision-Language Models)が,入力画像に常に接するとは限らない,可聴性のあるテキスト応答を生成する傾向があることを示す。 即時増幅のための新しいサンプリング手法であるM3ID(Multi-Modal Mutual-Information Decoding)を導入する。 M3IDは、言語に対する参照画像の影響を増幅し、視覚的プロンプトと高い相互情報を持つトークンの生成を優先する。
  論文  参考訳（メタデータ） (2024-03-20T22:05:18Z)
• HallusionBench: An Advanced Diagnostic Suite for Entangled Language Hallucination and Visual Illusion in Large Vision-Language Models [69.52245481329899]
  本稿では,画像コンテキスト推論評価のためのベンチマークであるHalusionBenchを紹介する。 このベンチマークは、1129の質問と組み合わせた346の画像で構成されており、すべて人間の専門家によって細心の注意を払って作成されている。 HallusionBenchの評価では、15種類のモデルをベンチマークし、最先端のGPT-4Vによって達成された31.42%の質問対精度を強調した。
  論文  参考訳（メタデータ） (2023-10-23T04:49:09Z)
• Detecting and Preventing Hallucinations in Large Vision Language Models [4.7264116948935975]
  M-HalDetectは、詳細な画像記述のための最初のマルチモーダル幻覚検出データセットである。 InstructBLIPから細粒度マルチモーダル報酬モデルを訓練し,その有効性を評価する。 LLaVAとmPLUG-OWLの幻覚をそれぞれ15%と57%低減する。
  論文  参考訳（メタデータ） (2023-08-11T21:35:20Z)

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。