論文の概要: Transcribe, Then Reason: Two-Pass Decomposition for Multimodal Review
- arxiv url: http://arxiv.org/abs/2609.18958v1
- Date: Wed, 15 Jul 2026 15:27:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.579883
- Title: Transcribe, Then Reason: Two-Pass Decomposition for Multimodal Review
- Title（参考訳）: Transcribe, Then Reason: マルチモーダルレビューのための2段階の分解
- Abstract要約: 長い記録や文書をマルチモーダルモデルでレビューする自然な方法は、ソースを渡して1回の呼び出しでレビューを求めることである。
作業は、労働者を2つの同じ重量のパスに分割し、まず最初に書き起こし、次に書き起こしをレビューすることである。
- 参考スコア（独自算出の注目度）: 0.33451037881913753
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The natural way to review a long recording or document with a multimodal model is to hand it the raw source and ask for a review in one call. We show that this quietly fails: the model satisfices, dropping roughly a third of the content and embellishing the rest. The failure is not perception--almost all of the dropped content reappears when the same model is simply asked to transcribe the source. The bottleneck is generation under load: a single pass cannot perceive, reason over, and write a long faithful review at the same time, because doing all three competes for one output. We rule out the obvious alternatives. It is not the modality: models read text and an image of the same text equally well. And it is not merely a matter of thinking harder: giving the single pass a far larger reasoning budget does not recover the lost content, because the model spends that budget planning a review rather than writing the source down. What works is to split the labor across two same-weights passes--first transcribe, then review the transcript--so each step gets a full output budget of its own. This transcribe-then-review decomposition improves both faithfulness and coverage across a 21-source suite. The benefit is not uniform: we observe that it helps most where the one-pass baseline is weakest and little where that baseline is already strong, a pattern that also tracks the source's length and modality. Decomposition comes with two failure modes--the review pass running out of room on very long sources, and confabulating from memory once the grounding source is removed.
- Abstract（参考訳）: 長い記録やドキュメントをマルチモーダルモデルでレビューする自然な方法は、ソースを渡して1回の呼び出しでレビューを求めることです。
モデルが満足し、コンテンツの約3分の1を落とし、残りを具現化しています。
削除されたコンテンツのほとんどは、同じモデルにソースの書き起こしを要求されたときに再び現れる。
ひとつのパスが知覚し、推論し、長い忠実なレビューを同時に書くことは、すべての3つの実行が1つのアウトプットで競合するためです。
我々は明らかな選択肢を除外する。
モデルはテキストを読み、同じテキストのイメージを等しく読み取る。
ソースを書き留めるのではなく、その予算をレビューに費やしているので、はるかに大きな理由づけ予算が失われたコンテンツを取り戻すことはできないのです。
作業は、労働者を2つの同じ重量のパスに分割し、まず最初に書き起こし、次に書き起こしをレビューすることである。
この書き起こしレビューの分解は、21ソーススイート全体の忠実さとカバレッジを改善します。
ひとつのパスのベースラインが最も弱く、ベースラインがすでに強い場所ではほとんど役に立ちません。
分解には2つの障害モードがある。レビューパスは、非常に長いソースで室外になり、グラウンドソースが削除された後にメモリから分離される。
関連論文リスト
- Ingest-Time Fact Compilation for Cost-Efficient and Reliable Question Answering over Revised Corpora [0.3887079592126372]
ほとんどのエージェント的質問応答システムは、誰かが質問するたびに、可能な限り最悪のタイミングで、セマンティックな作業の重要な部分を行います。
これは、誰かがそれを読むたびに、実体化されたビューを再構築するデータベースのようなものだ。
我々は、コーパスデータを取り込み、あるいは変更した場合に、この処理を行うアーキテクチャである、Ingest-time fact compilationを提案する。
論文 参考訳（メタデータ） (2026-08-29T23:04:37Z) - PURA: Provably Unbiased and Robust Multi-Bit Watermarking for AI-Generated Text Attribution [83.66032773976904]
PURAは、テキスト属性に対する不偏で頑健なマルチビット透かし方式である。
PURAはトークンの確率を直接摂動するのではなく、鍵付き逆変換サンプリングによって潜在サンプリング空間にペイロードを埋め込む。
PURAは、高負荷体制において、既存の非バイアスベースラインを大幅に上回ることを示す。
論文 参考訳（メタデータ） (2026-08-23T04:44:27Z) - Split the Labor: Separating Evidence Interpretation from Decision Aggregation [0.0]
言語モデルに多くの情報源から結論に達するよう要求するシステムは通常、それらを1つのプロンプトに分割する。
提案する4分野のエビデンス(仮説,信頼性バケット,合理性,証明)は,両半減期を決定することを示す。
この修正はアーキテクチャよりも算術的であり、言語モデル以外のルールのクラスに適用される。
論文 参考訳（メタデータ） (2026-08-14T17:24:55Z) - Reading Less While Writing: A Closed-Form Bandwidth Dial for Streaming Multimodal Decoders [0.9908838990500546]
ビデオや音声をテキストに変換するデコーダは、通常、単語を出力する前に入力全体を消費する。
固定オフセットをZENDAYAに置き換えます。
なぜなら、ソースの洪水は、モデルをアンカーする出力が最小限である場合に正確に注意をそらすからである。
論文 参考訳（メタデータ） (2026-08-05T07:42:13Z) - WILDTRACE: Benchmarking Natural Evidence Trails in Long-Context Reasoning [63.9071746889252]
長い文書に複雑な質問を答えるには、ソース自体が遠くの通路に自然に分散する証拠を統合する必要がある。
この情報源と内部の証拠の統合は、現実世界の長期文書分析の中心であるが、既存のベンチマークはそのほとんどを横取りしている。
WILDTRACEは, 自然発生の214個の長形音源に対する481個のタスクのベンチマークである。
論文 参考訳（メタデータ） (2026-07-10T12:09:21Z) - ResearchStudio-Reel: Automate the Last Mile of Research from Paper to Poster, Video, and Blog [64.14077660274674]
論文をポスター、トークビデオ、ブログ記事に変える研究の普及は、まだ手作業だ。
ResearchStudio-Reelは、3つの編集可能なアーティファクトを出荷する唯一のパイプラインである。
論文 参考訳（メタデータ） (2026-07-05T17:59:33Z) - Reclaim Evaluation: A Lossy Memory Is Worse Than an Empty One [0.0]
言語モデルのメモリは、メモリを全く持たないよりも悪い場合がある。
間違った結論を維持しながら、その背後にある作業を捨てるメモリは、確実な答えとして古い値を出力する。
論文 参考訳（メタデータ） (2026-06-24T06:24:53Z) - CAVEWOMAN: How Large Language Models Behave Under Linguistic Input and Output Compression [77.41779716950387]
本稿では,2チャンネル評価プロトコルであるCavewomanについて述べる。
我々は5つのデータセットの8つのモデルを5つの還元レベルで評価し、両方のチャネルは同じ項目で測定した。
論文 参考訳（メタデータ） (2026-06-23T02:56:48Z) - Learning to Revise References for Faithful Summarization [10.795263196202159]
すべてのデータを保持しながら参照品質を改善するための新しい手法を提案する。
支援文に対する合成なしの代替語を構築し、対照的な学習を用いて、不誠実な修正を回避/促進する。
電子健康記録(EHR)と呼ばれるノイズの多い音源から小さなコーパスを抽出し,複数のノートから病院入院を要約する作業を行う。
論文 参考訳（メタデータ） (2022-04-13T18:54:19Z) - Few-Shot Learning for Opinion Summarization [117.70510762845338]
オピニオン要約は、複数の文書で表現された主観的な情報を反映したテキストの自動生成である。
本研究では,要約テキストの生成をブートストラップするのには,少数の要約でも十分であることを示す。
提案手法は, 従来の抽出法および抽象法を, 自動的, 人的評価において大きく上回っている。
論文 参考訳（メタデータ） (2020-04-30T15:37:38Z) - Unsupervised Opinion Summarization with Noising and Denoising [85.49169453434554]
ユーザレビューのコーパスから合成データセットを作成し、レビューをサンプリングし、要約のふりをして、ノイズのあるバージョンを生成します。
テスト時に、モデルは本物のレビューを受け入れ、健全な意見を含む要約を生成し、合意に達しないものをノイズとして扱います。
論文 参考訳（メタデータ） (2020-04-21T16:54:57Z)
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。