論文の概要: Beyond Generation and Accuracy: Diagnosing and Enhancing Visual Chain-of-Thought for Geometry Problem Solving
- arxiv url: http://arxiv.org/abs/2609.12606v2
- Date: Mon, 14 Sep 2026 09:51:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.083527
- Title: Beyond Generation and Accuracy: Diagnosing and Enhancing Visual Chain-of-Thought for Geometry Problem Solving
- Title（参考訳）: 生成と正確性を超えて:幾何学的問題解決のための視覚的連鎖の診断と改善
- Abstract要約: GeoVAD-Benchは、詳細な5次元軌跡診断と制御されたNo-Aux、Auto-Aux、GT-Auxの介入設定を組み合わせた診断ベンチマークである。
以上の結果から,高品質な補助補助具は幾何学的問題解決に有意な理論的利益をもたらすが,自動生成は複合的誤りによってしばしば妨げられることが明らかとなった。
結果として得られたGeoWeave-8Bは、最終的な幾何学的精度でベースモデルを+25.3%上回り、プロセス平均で+30.4%アップする。
- 参考スコア（独自算出の注目度）: 18.398567262559524
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While multimodal reasoning has advanced rapidly, solving complex geometry problems critically hinges on active visual assistance, such as constructing auxiliary lines, spurring the rise of Visual Chain-of-Thought (VCoT). However, existing evaluations typically assess visual generation quality and final answer accuracy in isolation, failing to examine whether intermediate visual aids are geometrically valid, effectively utilized in subsequent reasoning, or causally responsible for task success. To bridge this gap, we introduce GeoVAD-Bench, a diagnostic benchmark that pairs a fine-grained five-dimensional trajectory diagnosis covering perception, auxiliary quality, utilization, deductive reasoning, and final correctness with controlled No-Aux, Auto-Aux, and GT-Aux intervention settings to systematically isolate intermediate error modes, the causal gains of visual aids, and the resulting autonomy gap. Our findings reveal that while high-quality auxiliary aids offer substantial theoretical gains for geometric problem solving, autonomous generation is frequently hampered by compounding errors across geometric perception, faithful visual manipulation, visual-state grounding, and deductive reasoning. Guided by these diagnostic insights, we establish a specialized data construction pipeline encompassing geometric perception, diagram editing, and interleaved visual-textual reasoning trajectories, and develop a progressive SFT and multimodal RL training framework. The resulting model, GeoWeave-8B, outperforms the base model by +25.3% in final geometric accuracy and achieves a +30.4% gain in process average across the four intermediate diagnostic dimensions.
- Abstract（参考訳）: マルチモーダル推論は急速に進歩してきたが、複雑な幾何学的問題を解くことは、補助線の構築や視覚連鎖(VCoT)の台頭など、活発な視覚支援に決定的な影響を与えている。
しかし、既存の評価では、視覚的生成品質と最終的な解答精度を単独で評価し、中間的視覚援助が幾何学的に有効か、その後の推論に有効か、それともタスクの成功に因果的に責任があるかを検証しなかった。
このギャップを埋めるために、GeoVAD-Benchは、知覚、補助的品質、利用、推論、最終的な正しさを制御されたNo-Aux、Auto-Aux、GT-Auxの介入設定と組み合わせて、中間エラーモード、視覚援助の因果的利得、そしてその結果の自律的ギャップを体系的に分離する診断ベンチマークである。
以上の結果から,高品質な補助補助具は幾何学的問題解決に有意な理論的効果をもたらすが,幾何学的認識,忠実な視覚操作,視覚状態の接地,帰納的推論などの誤りを複雑にすることで,自律的生成がしばしば妨げられることが明らかとなった。
これらの知見に導かれて、幾何学的知覚、図表編集、インターリーブされた視覚・テクスチャ推論トラジェクトリを含む特殊なデータ構築パイプラインを構築し、プログレッシブSFTおよびマルチモーダルRLトレーニングフレームワークを開発する。
結果として得られたGeoWeave-8Bは、最終的な幾何学的精度でベースモデルを+25.3%上回り、4つの中間診断次元で+30.4%のプロセス平均を達成している。
関連論文リスト
- VeriGeo: Controllable Geometry Question Generation with Numerical and Analytical Verification [12.221274109590176]
実行可能な推論トレースに基づく制御可能な幾何生成フレームワークであるVeriGeoを紹介する。
3段階のパイプラインは、数値的一貫性、解析的実現可能性、大域的一貫性をチェックする。
VeriGeoが生成した8.7kのサンプルの監視された微調整により、GeoQAのパフォーマンスが最も良く報告されている。
論文 参考訳（メタデータ） (2026-06-12T06:59:44Z) - SpatialEvo: Self-Evolving Spatial Intelligence via Deterministic Geometric Environments [75.60795462502949]
SpaceEvoは3D空間推論のための自己進化型フレームワークである。
16の空間推論タスクカテゴリを明示的な幾何学的検証規則で定式化する。
注釈のない3Dシーンをゼロノイズのインタラクティブなオラクルに変換し、モデルコンセンサスを客観的な物理的フィードバックに置き換える。
論文 参考訳（メタデータ） (2026-04-15T17:59:12Z) - Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。
本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2026-03-16T17:20:38Z) - LatentGeo: Learnable Auxiliary Constructions in Latent Space for Multimodal Geometric Reasoning [32.39048489202347]
画素レベルのレンダリングや外部エグゼキュータを使わずに、連続潜時視覚表現を学習し、補助幾何学的構成を内部化するフレームワークを提案する。
LatentGeoは幾何学的推論タスク、特に補助的な構成を必要とするタスクでかなりの利益を得ている。
論文 参考訳（メタデータ） (2026-03-12T17:01:23Z) - GIIM: Graph-based Learning of Inter- and Intra-view Dependencies for Multi-view Medical Image Diagnosis [0.6773121102591491]
コンピュータ支援診断 (CADx) は医用画像に欠かせないものとなっているが, 自動診断システムはしばしば, 臨床解釈の微妙な過程の再現に苦慮している。
関係モデリングのための新しいグラフベースアプローチGIIMを提案する。
我々のフレームワークは、異常とビュー間ダイナミクスの間の重要なビュー内依存関係を同時にキャプチャするように設計されている。
論文 参考訳（メタデータ） (2026-03-10T09:57:57Z) - GeoBench: Rethinking Multimodal Geometric Problem-Solving via Hierarchical Evaluation [48.04396968707237]
幾何学的問題解決における4つの推論レベルを特徴とする階層型ベンチマークであるGeoBenchを提案する。
属性抽出から論理的誤り訂正まで,様々な機能を体系的に評価する。
これらの結果はGeoBenchを総合的なベンチマークとして確立し、幾何学的問題解決システムを開発するための実用的なガイドラインを提供する。
論文 参考訳（メタデータ） (2025-12-30T09:56:37Z) - A Multimodal Approach to Alzheimer's Diagnosis: Geometric Insights from Cube Copying and Cognitive Assessments [0.0]
本研究は手書きの立方体スケッチをグラフ構造表現に変換するフレームワークを提案する。
その結果、グラフベースの表現は強い単調なベースラインを提供し、画素ベースの畳み込みモデルを大幅に上回ることを示した。
その結果、アルツハイマー病スクリーニングのための解釈可能で非侵襲的でスケーラブルなアプローチとして、立方体コピーのグラフベースの解析が確立された。
論文 参考訳（メタデータ） (2025-12-18T05:09:12Z) - Hierarchical Attention for Sparse Volumetric Anomaly Detection in Subclinical Keratoconus [0.0]
階層アーキテクチャーは21～23%の感度と特異性を実現します。
力学解析は、この利点が空間スケールのアライメントから生じることを示唆している。
サブクリニカルケースは、健康的または過剰な病理学的ボリュームよりも長い空間的な統合を必要とする。
論文 参考訳（メタデータ） (2025-12-03T01:20:13Z) - Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文 参考訳（メタデータ） (2023-06-20T14:21:58Z) - Counterfactual Intervention Feature Transfer for Visible-Infrared Person
Re-identification [69.45543438974963]
視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。
十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。
本稿では,これらの問題に対処するためのCIFT法を提案する。
論文 参考訳（メタデータ） (2022-08-01T16:15:31Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳（メタデータ） (2020-07-10T14:01:20Z)
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。