論文の概要: How Far Can GPT-6-Astra Go? Evaluating Capabilities in Zero-Shot Vision-and-Language Navigation
- arxiv url: http://arxiv.org/abs/2609.20116v2
- Date: Fri, 18 Sep 2026 05:24:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.717191
- Title: How Far Can GPT-6-Astra Go? Evaluating Capabilities in Zero-Shot Vision-and-Language Navigation
- Title（参考訳）: GPT-6-Astraはどこまで進むか? ゼロショットビジョン・ランゲージナビゲーションにおける能力評価
- Abstract要約: 連続環境におけるゼロショットビジョン・アンド・ランゲージナビゲーションにおけるGPT-6-Astraについて検討する。
指示を解釈し、その環境を評価し、行動を提案する。
Open-Nav が使用した100R2R-CE val-unseen エピソードの50件について,本システムの評価を行った。
- 参考スコア（独自算出の注目度）: 20.65686859199639
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study GPT-6-Astra in a zero-shot Vision-and-Language Navigation in Continuous Environments (VLN-CE) system, where it interprets instructions, assesses its surroundings, and proposes actions. The system uses a common observation--decision--execution workflow with direct model API calls, without a packaged agent harness or navigation-specific fine-tuning. In this workflow, each request receives selected observations, execution feedback, and retained progress records. Evaluation covers the complete system, including context management and action control. We evaluate the system on 50 of the 100 R2R-CE val-unseen episodes used by Open-Nav. It achieves a success rate of 52.0\%, an SPL of 48.9\%, and an nDTW of 70.8\%. Our analysis highlights three findings. First, recorded responses link landmarks and earlier actions to instructions using observations and supplied history. Second, reviews include requests for additional views and revisions of uncertain judgments. Third, the results suggest a gap between task understanding and autonomous completion: an unfinished crossing is recognized while rotation continues. At termination, 36.0\% of episodes succeed with a workflow-accepted STOP, while another 16.0\% meet the distance criterion at the step limit. These results highlight a central challenge: translating correct local judgments into sustained progress and appropriate stopping.
- Abstract（参考訳）: 我々は,GPT-6-Astraを連続環境におけるゼロショット視覚・言語ナビゲーション(VLN-CE)システムで研究し,指示を解釈し,その環境を評価し,行動を提案する。
このシステムは、パッケージ化されたエージェントハーネスやナビゲーション固有の微調整なしで、一般的な監視-決定-実行ワークフローと直接モデルAPI呼び出しを使用する。
このワークフローでは、各リクエストは、選択された観察、実行フィードバック、および保存された進捗記録を受け取る。
評価は、コンテキスト管理やアクション制御を含む、完全なシステムをカバーする。
Open-Nav が使用した100R2R-CE val-unseen エピソードの50件について,本システムの評価を行った。
成功率は52.0\%、SPLは48.9\%、nDTWは70.8\%である。
私たちの分析では3つの結果が浮かび上がっている。
まず、記録された応答は、ランドマークと初期のアクションを観察と供給された履歴を使った指示にリンクする。
第2に、不確実な判断に対する追加の見解と修正の要求が含まれる。
第3に、タスク理解と自律的完了のギャップが示唆され、未完成の交差が認識され、回転が継続される。
終了時には、36.0\%のエピソードがワークフローを受け入れるSTOPで成功し、さらに16.0\%のエピソードがステップ制限で距離基準を満たす。
これらの結果は、正しい局所的な判断を持続的な進歩に翻訳し、適切な停止を行うという、中心的な課題を浮き彫りにする。
関連論文リスト
- VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。
汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。
モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
論文 参考訳（メタデータ） (2026-09-17T01:24:51Z) - HarnessVLN: Unifying Training-Free Embodied Navigation through an Agent Harness [30.61739879302674]
身体的ナビゲーションでは、エージェントは空間観測において指示や目標を下ろす必要がある。
本稿では,ゼロショットでトレーニング不要なフレームワークであるHarnessVLNを紹介した。
論文 参考訳（メタデータ） (2026-09-14T08:15:56Z) - NavPatch: Evidence-Guided Object-Level Costmap Correction with Vision-Language Models [6.1440916891645285]
私たちは、ADD、REMOVE、EXTENDを関連オブジェクトカテゴリのナビゲーションに割り当てるオブジェクトレベルの補正層であるNavPatchを紹介します。
Open vocabulary Groundingはオブジェクトインスタンスをローカライズし、LiDARとRGB-D観測は3Dサポートを提供する。
論文 参考訳（メタデータ） (2026-09-13T14:30:55Z) - From Routes to Steps: Separating Semantic Progress from Local Execution in Vision-and-Language Navigation [2.7718125488816003]
Route2Stepは、明示的なステップレベルインターフェースを通じてアクション生成からセマンティックプログレストラッキングを分離するフレームワークである。
R2R-CEでは、R2StepはSRを48.1%から55.3%に改善し、SPLを43.3%から48.2%に改善し、190Kの州レベルの修正サンプルを使用する。
論文 参考訳（メタデータ） (2026-08-04T05:14:45Z) - Agent Step Value: Auditing Evaluator-Channel Reversals in Black-Box Agent Traces [2.4293637634506404]
評価器由来のステップ報酬がスコアリングチャネル間でプールされたり比較されたりした場合、それらのサインは輸送可能なものとして扱われる。
エージェントステップ値(ASV)をチャネルインデクシングされたターゲットマージンゲインとして定義し、チャネル間相互作用の欠如を識別する。
論文 参考訳（メタデータ） (2026-07-05T17:27:56Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - StainFlow: Entity-Stain Tracking and Evidence Linking for Process Rewards in GUI Agents [67.03593791535786]
強化学習(Reinforcement Learning, RL)は、長期のデジタル環境においてGUIエージェントを改善するための有望なアプローチである。
この問題を軽減するため、最近の研究はプロセス・リワード・モデル(PRM)を導入している。
PRMは、グローバルマイルストーン検証やローカルステップレベルの評価を通じて、よりきめ細かいトレーニングフィードバックを提供する。
本稿では,GUIエージェントのためのエンティティ・スタンフロープロセス報酬モデルであるStainFlowを提案する。
論文 参考訳（メタデータ） (2026-06-05T08:17:28Z) - TraceGraph: Shared Decision Landscapes for Diagnosing and Improving Agent Trajectories [61.51984029109709]
グラフベースのフレームワークであるTraceGraphを紹介した。
各タスクに対して、TraceGraphは、モデルIDが導入される前に、プールされたロールアウトから観測可能なアクション・オブザーブレーション状態のグラフを構築する。
次に、結果インフォームされた生産的なコアとトラップリージョンをオーバーレイし、各ロールアウトを3つのイベント – アクセス、トラップ露出、修復 – で要約する。
論文 参考訳（メタデータ） (2026-05-29T13:40:31Z) - Three-Step Nav: A Hierarchical Global-Local Planner for Zero-Shot Vision-and-Language Navigation [14.750200911270374]
マルチモーダル大言語モデル(MLLM)は、エージェントに与えられたタスクとゴールに対して、各時点における現在のビューを評価することで、一連の動作を計画することができる。
本稿では,3段階のプロトコルを用いて,これらの障害に対処する三段階ナビを提案する。
Three-Step Navは、R2R-CEデータセットとRxR-CEデータセット上で最先端のゼロショットパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-04-29T17:55:05Z) - Waypoint Models for Instruction-guided Navigation in Continuous
Environments [68.2912740006109]
本稿では,言語条件付きウェイポイント予測ネットワークのクラスを開発し,この問題について検討する。
プロファイリングされたLoCoBotロボット上でのタスク性能と実行時間の推定を行う。
我々のモデルは、VLN-CEにおける以前の仕事を上回り、新しい最先端の技術を公衆のリーダーボードに置きました。
論文 参考訳（メタデータ） (2021-10-05T17:55:49Z)
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。