論文の概要: MIRAGE: How Conversation State Shapes Historical Evidence Use in Multimodal Personal Agents
- arxiv url: http://arxiv.org/abs/2609.19059v1
- Date: Tue, 25 Aug 2026 10:59:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 16:32:15.678744
- Title: MIRAGE: How Conversation State Shapes Historical Evidence Use in Multimodal Personal Agents
- Title（参考訳）: MIRAGE:マルチモーダル・パーソナルエージェントにおける会話状態の歴史的証拠の形状
- Abstract要約: MIRAGEは個人エージェントの会話状態の変動に使用される歴史的証拠の制御された研究である。
結果のみの正当性から推定されるのではなく, 状態変化下での歴史的証拠の使用を評価すべきである。
- 参考スコア（独自算出の注目度）: 15.173843369238156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal large language model (MLLM) agents are increasingly used as personal assistants for long-running tasks. Their utility depends on continuity: agents must retrieve and use earlier evidence across dialogue, files, and workspace state. However, agents can generate plausible answers even when access to that history has degraded, causing outcome-only evaluation to overestimate true evidence use. We present MIRAGE (Multimodal Interaction Retrieval, Attribution, and Grounding Evaluation), a controlled study of historical evidence use under conversation-state variation in multimodal personal agents. MIRAGE holds evidence objects, questions, and scoring fixed while varying only conversation state, and evaluates whether an agent can determine answerability, recover the correct source, and answer from it. Across seven frontier and open-weight multimodal backbones, we find that: 1) pre-compaction depth and post-compaction continuation form distinct, non-monotonic failure regimes rather than a single degradation curve; 2) open-weight models rely heavily on context continuity and are reluctant to spontaneously switch to tool-mediated retrieval when provenance fails; and 3) retrieval pressure improves source attribution in deep pre-compaction states for tool-compliant models, but consistently regresses after compaction, where stored evidence has already degraded. These findings show that historical evidence use should be evaluated under state variation, rather than inferred from outcome-only correctness.
- Abstract（参考訳）: MLLM(Multimodal large language model)エージェントは、長期的タスクのためのパーソナルアシスタントとして使われることが多い。
エージェントは対話、ファイル、ワークスペースの状態をまたいで、以前の証拠を検索し、利用しなければならない。
しかし、エージェントは、その歴史へのアクセスが低下したとしても、もっともらしい答えを生成できるため、結果のみの評価は、真の証拠の使用を過大評価する。
MIRAGE(Multimodal Interaction Retrieval, Attribution, Grounding Evaluation)は,マルチモーダル・パーソナルエージェントにおける会話状態の変動に使用される歴史的証拠の制御された研究である。
MIRAGEは、会話状態だけを変えながら、エビデンスオブジェクト、質問、得点を保持し、エージェントが回答可能性を決定し、正しいソースを復元し、そこから回答できるかどうかを評価する。
7つのフロンティアとオープンウェイトなマルチモーダルのバックボーンで、そのことが分かる。
1) 前処理深度及び後処理継続は,単一の劣化曲線ではなく,区別された非単調な故障状態を形成する。
2)オープンウェイトモデルは文脈継続性に大きく依存しており、証明が失敗した場合に自発的にツール経由の検索に切り替えることに消極的である。
3) 検索圧力は, ツール対応モデルに対する深部前処理状態のソース属性を改善するが, 保存された証拠が既に劣化しているコンパクト化後に連続的に回復する。
これらの結果は, 結果のみの正当性から推定されるのではなく, 状態変化下での歴史的証拠の使用を評価すべきであることを示している。
関連論文リスト
- SAGE: From Direct Answering to Evidence-Grounded Inference for Chinese Ancient Document Understanding [61.02068339726333]
中国古文書理解のためのエビデンスを基盤としたマルチエージェントフレームワークであるSAGEを提案する。
SAGEは、タスク対応計画、ツールによるエビデンス獲得、クレームレベルの検証、バウンドリプランニングのための特殊エージェントを調整する。
AncientDocベンチマークの実験によると、SAGEは直接答えベースラインと一貫して優れていた。
論文 参考訳（メタデータ） (2026-08-25T03:01:51Z) - Buried in Textual Debt: Context Pruning with Visual Evidence Preservation for MLLM Agents [16.82888862043366]
ツール・ユース・エージェントに蓄積した推論を解析するためのKullback-Leibler-Guidedフレームワークを提案する。
SPAREは、推論トークンの37.89-64.58%を除去しながら、プルーニング法の中で最も高い平均精度を達成する。
この良好な精度とコンテキストのトレードオフは、テキストによる優位性の低下が視覚的証拠への依存を回復し、自己生成言語による過度な条件付けを緩和することを示している。
論文 参考訳（メタデータ） (2026-08-24T08:29:17Z) - LEDGERMIND: Provenance-Constrained Multimodal Agentic Reasoning with a Structured Evidence Ledger [11.70343232168598]
LedgerMindはプロビデンスに制約のあるエージェント推論エンジンである。
最終回答の精度が曖昧になる傾向にある4つの繰り返し発生する障害パターンをターゲットにしています。
答えの正確さと軌道レベルの忠実さの両方を改善する。
論文 参考訳（メタデータ） (2026-07-30T15:35:34Z) - RECON: Benchmarking Agent Memory for Compositional Reasoning over Long Contexts [0.0]
RECONは、長い文脈における構成的推論を評価するためのベンチマークである。
3つのドメイン(刑事、医療、財務)に24のケースファイルがあり、それぞれ50万から100万のトークンがある。
マルチホップエビデンスチェーンの再構築、カスケード無効の伝播、ソースコンフリクトの解決、反ファクト推論、時間的制約を満たすこと、時間的事実検索である。
論文 参考訳（メタデータ） (2026-07-18T09:11:22Z) - MultAttnAttrib: Training-Free Multimodal Attribution in Long Document Question Answering [73.47440561592556]
トレーニング不要な属性生成手法であるMultAttnAttribを紹介する。
MultAttnAttribは、様々な属性生成方法よりも一貫して優れていることを示す。
提案手法は直接推論遅延の最大7分の1の属性を生成する。
論文 参考訳（メタデータ） (2026-07-01T19:29:19Z) - Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation [74.0621258662676]
レポート生成のためのマルチエージェントハーネスであるPtahを提案する。
Ptahは計画、研究、執筆段階を通じて、ユーザクエリからレンダリングされたWebレポートまでのライフサイクルを編成する。
検証エージェントがハーネスの受け入れ機能として機能し、ワークフロー全体を通して事実的接地、引用の忠実性、相互の整合性を強制する。
論文 参考訳（メタデータ） (2026-05-28T12:40:34Z) - Belief Engine: Configurable and Inspectable Stance Dynamics in Multi-Agent LLM Deliberation [0.299647994399672]
信念エンジン(Belief Engine, BE)は、ある命題に関する明白な状態として「信」を扱う、監査可能な信条更新層である。
BEは、構造化メモリに引数を抽出し、エビデンスUを取り込み、aをアンカーする前に制御されたログオードルールでスタンスを更新する。
DEBATEは、事前/ポストの意見を持つ人間の議論データセットで、BEは、最後のスタンスで証拠を抽出した参加者を最もよく再構成する。
論文 参考訳（メタデータ） (2026-05-14T19:13:12Z) - FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。
レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。
我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
論文 参考訳（メタデータ） (2026-04-14T17:04:25Z) - Multimodal Fact-Level Attribution for Verifiable Reasoning [80.60864342985748]
マルチモーダル大言語モデル(MLLM)は、多段階推論と長文生成を含む実世界のタスクにますます利用されている。
既存のマルチモーダルグラウンドベンチマークと評価手法は、複雑なマルチモーダル推論における属性評価に失敗する。
我々は、直接観察以上の推論を必要とする設定において、ファクトレベルのマルチモーダル属性を評価するためのベンチマークであるMuRGAtを紹介する。
論文 参考訳（メタデータ） (2026-02-12T03:10:02Z)
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。