論文の概要: Collaborative Memory for Multi-Agent VLM Systems

• arxiv url: http://arxiv.org/abs/2609.17921v2
• Date: Fri, 18 Sep 2026 01:15:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.694493
• Title: Collaborative Memory for Multi-Agent VLM Systems
• Title（参考訳）: マルチエージェントVLMシステムのための協調メモリ
• Abstract要約: 視覚言語モデル(VLM)エージェントは、複雑な視覚的タスクに対処するための特別な知覚、ツール、推論を組み合わせる。 これにより、共有視覚コンテキストはVLMエージェントの協調において中心的な問題となる。 私たちは、解釈を整理し、依存する推論を更新する必要のあるメモリ階層、クロスエージェント共有、一貫性メカニズムをフレーム化します。
• 参考スコア（独自算出の注目度）: 18.01643816995155
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vision-language model (VLM) agents combine specialized perception, tools, and reasoning to address complex visual tasks. In multi-agent settings, different agents inspect different image regions, video frames, or visual representations, so collaboration extends beyond distributed reasoning to distributed perception. This makes shared visual context a central problem in VLM agent collaboration. In this paper, we frame memory hierarchy, cross-agent sharing, and consistency mechanisms around the need to reconcile interpretations and update dependent reasoning. Effective collaboration requires agents to build on contributions from other agents, recover missing visual context, and reconcile differing interpretations as new evidence emerges. Shared visual memory preserves not only images or textual summaries but also the dependencies among observations, agent interpretations, and subsequent reasoning. Together, these design considerations shape how information flows and evolves across VLM agents. The proposed framework provides a foundation for building reliable and resource-efficient agent teams.
• Abstract（参考訳）: 視覚言語モデル(VLM)エージェントは、複雑な視覚的タスクに対処するための特別な知覚、ツール、推論を組み合わせる。 マルチエージェント設定では、異なるエージェントが異なる画像領域、ビデオフレーム、あるいは視覚的表現を検査する。 これにより、共有視覚コンテキストはVLMエージェントの協調において中心的な問題となる。 本稿では, メモリ階層, クロスエージェント共有, 一貫性機構について, 解釈の整合性, 依存的推論の更新の必要性について検討する。 効果的なコラボレーションは、エージェントが他のエージェントからの貢献に基づいて構築し、行方不明の視覚的コンテキストを回復し、新しい証拠が現れるにつれて異なる解釈を調整する必要がある。 共有された視覚記憶は、画像やテキストの要約だけでなく、観察、エージェントの解釈、その後の推論の依存関係も保存する。 これらの設計上の考慮事項は、VLMエージェントをまたいだ情報の流れや進化の仕方を形成する。 提案されたフレームワークは、信頼性とリソース効率のよいエージェントチームを構築するための基盤を提供する。

関連論文リスト

• LLM Agents Can See Code Repositories [14.881212557304414]
  大規模言語モデルを利用したコーディングエージェントは、ソフトウェア工学のタスクに強いパフォーマンスを示してきた。 ほとんどのエージェントは、ほとんど完全にテキストとしてリポジトリを消費します。 標準テキストインタフェースと並行して、リポジトリ構造を視覚的に表現することで、エージェントは構造をより効率的に理解できるようになる。
  論文  参考訳（メタデータ） (2026-06-12T03:14:40Z)
• Visual Para-Thinker++: A Single-Policy Multi-Agent Framework for Visual Reasoning [21.742087982689956]
  視覚推論のための単一政治マルチエージェントフレームワークであるVisual Para-Thinker++を提案する。 1つの共有MLLMポリシーは、ロールコンディショニングされたMain、Worker、Slide Agentsとしてインスタンス化されます。 Visual Para-Thinker++は、単一軌跡と推論時並列ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-08T09:57:48Z)
• Multi-Turn Multi-Agent Dialogue for Collaborative Reconstruction Improves VLM Performance on Spatial Reasoning, But Only Barely [17.22551679328024]
  視覚言語モデル(VLM)は、視覚解釈、質問応答、指示追従を含むロボットタスクをサポートする。 本研究では,視覚的解釈,接地,言語誘導インタラクション,行動生成を組み合わせた協調的な構造構築タスクを通じて,このギャップについて検討する。
  論文  参考訳（メタデータ） (2026-05-29T14:51:49Z)
• Semantic Generative Tuning for Unified Multimodal Models [62.18894352635965]
  統一マルチモーダルモデル(UMM)は、単一のアーキテクチャ内で視覚的理解と視覚的生成を統合する。 訓練パラダイムは 独立して テキスト信号を通して 理解を最適化する 密集したピクセルの目的を通して 生成する 本研究は,UMMの分離を橋渡しするための生成プロキシとして階層的視覚タスクを定式化する,生成後学習に関する最初の体系的な研究である。
  論文  参考訳（メタデータ） (2026-05-18T17:46:46Z)
• Beyond Pixels: Visual Metaphor Transfer via Schema-Driven Agentic Reasoning [56.24016465596292]
  視覚的メタファーは、抽象概念をインパクトのある視覚的レトリックに変換するために、クロスドメインなセマンティックフュージョンを用いて、人間の創造性の高階形式を構成する。 本稿では,参照画像から「創造的本質」を自律的に分離し,その抽象論理をユーザ特定対象に再物質化する,視覚メタファー伝達(VMT)の課題を紹介する。 提案手法は, メタファーの整合性, アナロジーの適切性, 視覚的創造性においてSOTAのベースラインを著しく上回り, 広告・メディアにおける高度にインパクトのある創造的アプリケーションを自動化するための道を開いた。
  論文  参考訳（メタデータ） (2026-02-01T17:01:36Z)
• Visual Document Understanding and Question Answering: A Multi-Agent Collaboration Framework with Test-Time Scaling [83.78874399606379]
  テスト時間スケーリングを備えたマルチエージェント協調フレームワークであるMACTを提案する。 4つの異なる小規模エージェントから構成され、明確に定義された役割と効果的なコラボレーションがある。 一般および数学的タスクの能力を犠牲にすることなく、より小さなパラメータスケールで優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-05T12:52:09Z)
• VipAct: Visual-Perception Enhancement via Specialized VLM Agent Collaboration and Tool-use [74.39058448757645]
  視覚言語モデル(VLM)を強化するエージェントフレームワークであるVipActを提案する。 VipActは、タスク要求の分析、計画、調整を管理するオーケストレータエージェントと、特定のタスクを処理する専門エージェントで構成される。 様々な視覚認知タスクを特徴とするベンチマーク上でのVipActの評価を行い,実験結果から大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2024-10-21T18:10:26Z)
• InsightSee: Advancing Multi-agent Vision-Language Models for Enhanced Visual Understanding [12.082379948480257]
  本稿では,複雑な視覚理解シナリオを扱う上で,視覚言語モデルの能力を高めるためのマルチエージェントフレームワークであるInsightSeeを提案する。 このフレームワークは、視覚情報解釈のプロセスを洗練するために統合される記述エージェントと、2つの推論エージェントと決定エージェントとを含む。 このフレームワークは、9つのベンチマークテストのうち6つで最先端のアルゴリズムよりも優れており、マルチモーダル理解が大幅に進歩している。
  論文  参考訳（メタデータ） (2024-05-31T13:56:55Z)
• Divide and Conquer: Language Models can Plan and Self-Correct for Compositional Text-to-Image Generation [72.6168579583414]
  CompAgentは、大規模な言語モデル(LLM)エージェントをコアとして、コンポジションテキスト・画像生成のためのトレーニング不要のアプローチである。 提案手法は,オープンワールド合成T2I生成のための総合的なベンチマークであるT2I-CompBenchに対して10%以上の改善を達成している。
  論文  参考訳（メタデータ） (2024-01-28T16:18:39Z)

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。