論文の概要: Human-Level Accuracy, Non-Human Strategies: Revealing Model-Human Divergence in Video Physical Reasoning

• arxiv url: http://arxiv.org/abs/2609.22788v1
• Date: Sat, 19 Sep 2026 05:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.554626
• Title: Human-Level Accuracy, Non-Human Strategies: Revealing Model-Human Divergence in Video Physical Reasoning
• Title（参考訳）: 人間のレベル精度と非人間戦略:ビデオ物理推論におけるモデル-ヒトの多様性を探求する
• Abstract要約: ビデオファンデーションモデルは、物理推論のベンチマークで人間レベルの精度に到達した。 これらのモデルは、人間のような前方シミュレーションを実行するのか、あるいは、見える場面で統計正規性を利用するのか? 本研究では,モデル種子とヒトラッカーを集団として扱う分布評価フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.197711956296909
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video foundation models now reach human-level accuracy on physical-reasoning benchmarks, yet such tasks require predicting unobserved physical outcomes. Do these models perform human-like forward simulation, or do they exploit statistical regularities in visible scenes? Accuracy alone cannot distinguish these strategies. We introduce a distributional evaluation framework that treats model seeds and human raters as populations, enabling comparison of consensus, uncertainty, and strategy. On the Physion benchmark, we evaluate three ViT-L architectures (V-JEPA2, VideoMAEv2, DINOv2). V-JEPA2 narrows the accuracy gap to ~1 percentage point (73.2% vs. 74.2%), yet model-human disagreement reaches 26.4%, far exceeding human-human disagreement (4.8%), with substantially lower agreement (kappa ~ 0.48 vs. 0.91). The divergence follows forward-simulation demands: models outperform humans on geometric reasoning (linking, +11.8 pp) but underperform on gravitational dynamics (rolling, -11.8 pp) and causal chains (dominoes, -10.5 pp). Strategy fingerprinting confirms all three architectures share non-human strategies while none aligns with humans. Attribution analysis suggests that unobservable outcome features, rather than visible scene properties, predict this divergence, consistent with models relying more on scene-level statistical regularities than on explicit forward simulation, a systematic divergence that accuracy alone cannot reveal. Code is available at https://github.com/fanhong-li/model-human-divergence.
• Abstract（参考訳）: ビデオファンデーションモデルは、物理推論ベンチマークで人間レベルの精度に達するが、そのようなタスクは観測されていない物理的結果を予測する必要がある。 これらのモデルは、人間のような前方シミュレーションを実行するのか、あるいは、見える場面で統計正規性を利用するのか? 正確性だけではこれらの戦略を区別できない。 我々は,モデル種子とヒトラッカーを集団として扱う分布評価フレームワークを導入し,コンセンサス,不確実性,戦略の比較を可能にした。 The Physion benchmarks, we evaluate three ViT-L architectures (V-JEPA2, VideoMAEv2, DINOv2)。 V-JEPA2は精度のギャップを1ポイント(73.2% vs. 74.2%)に縮めるが、モデルと人間の不一致は26.4%に達し、人間と人間の不一致(4.8%)をはるかに上回っている(Kappa ~ 0.48 vs. 0.91)。 モデルは幾何学的推論(リンク、+11.8 pp)で人間より優れるが、重力力学(ロール、-11.8 pp)と因果連鎖(ドミノ、-10.5 pp)では劣る。 戦略フィンガープリント(Strategy fingerprinting)は、3つのアーキテクチャがいずれも人間以外の戦略を共有していることを確認します。 属性分析は、視覚的なシーン特性よりも観測不可能な結果の特徴が、このばらつきを予測し、明示的な前方シミュレーションよりもシーンレベルの統計正規性に依存するモデルと一致していることを示唆している。 コードはhttps://github.com/fanhong-li/model-human-divergence.comで公開されている。

関連論文リスト

• Towards Scalable Probabilistic Human Motion Prediction with Gaussian Processes for Safe Human-Robot Collaboration [6.846949601451734]
  本研究では,フルボディ動作予測のための構造化変分ガウスプロセス(GP)フレームワークを提案する。 我々のモデルは、強いベースラインよりも最大50のカーネル密度推定負対数類似度(KDE NLL)を達成する。 確率的定式化にもかかわらず、我々のモデルは0.24-0.35Mのパラメータしか必要としない。
  論文  参考訳（メタデータ） (2026-03-07T08:11:46Z)
• Wow, wo, val! A Comprehensive Embodied World Model Evaluation Turing Test [62.17144846428715]
  我々は、Embodied Turing Testベンチマーク: WoW-World-Eval (Wow,wo,val)を紹介する。 Wow-wo-valは知覚、計画、予測、一般化、実行の5つのコア能力を調べる。 Inverse Dynamic Model Turing Testでは、まずIMMを用いて、実世界におけるビデオ基盤モデルの実行精度を評価する。
  論文  参考訳（メタデータ） (2026-01-07T17:50:37Z)
• InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
  InternVLA-A1は動的予測機能を備えた視覚言語モデルである。 我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。 InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-01-05T18:54:29Z)
• Accuracy Does Not Guarantee Human-Likeness in Monocular Depth Estimators [2.466518228012258]
  ディープニューラルネットワーク(DNN)は、物理ベースのベンチマークで超人的精度を達成した。 単眼深度推定は、自律運転やロボット工学のような現実世界のアプリケーションにとって基本的な能力である。 物体認識の研究は、モデル精度と人間のような振る舞いの間の複雑なトレードオフを明らかにしている。
  論文  参考訳（メタデータ） (2025-12-09T01:42:00Z)
• Reconstructing Close Human Interaction with Appearance and Proxemics Reasoning [50.76723760768117]
  既存の人間のポーズ推定手法では、既存の映像からもっともらしい密接な相互作用を回復できない。 人間の外見は、これらの障害に対処するための簡単な手がかりとなる。 本研究では,人間の外見,社会的プロキシ,物理法則に制約された身体接触により,正確な対話動作を再構築するための2分岐最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-03T12:19:26Z)
• WorldPM: Scaling Human Preference Modeling [130.23230492612214]
  我々は、このスケーリングの可能性を強調するために、World Preference Modeling$ (WorldPM)を提案する。 多様なユーザコミュニティをカバーする公開フォーラムから選好データを収集する。 1.5Bから72Bパラメータの範囲で15Mスケールのデータを用いて広範囲なトレーニングを行う。
  論文  参考訳（メタデータ） (2025-05-15T17:38:37Z)
• Assessing how hyperparameters impact Large Language Models' sarcasm detection performance [0.0]
  サルカズムの検出は人間と機械の両方にとって難しい。 本研究は,OpenAIのGPTとMetaのLlama-2モデルにおいて,モデル特性が皮肉検出に与える影響について検討する。
  論文  参考訳（メタデータ） (2025-04-08T16:05:25Z)
• Sapiens: Foundation for Human Vision Models [14.72839332332364]
  サピエンス(Sapiens)は、4つの基本的人間中心の視覚タスクのモデル群である。 我々のモデルは1Kの高分解能推論をサポートし、個々のタスクに容易に適応できる。 我々は、人間の画像のキュレートされたデータセット上での自己教師付き事前訓練が、多種多様な人間中心のタスクのパフォーマンスを著しく向上させるのを観察する。
  論文  参考訳（メタデータ） (2024-08-22T17:37:27Z)
• PoseBench: Benchmarking the Robustness of Pose Estimation Models under Corruptions [57.871692507044344]
  ポース推定は、単眼画像を用いて人や動物の解剖学的キーポイントを正確に同定することを目的としている。 現在のモデルは一般的に、クリーンなデータに基づいてトレーニングされ、テストされる。 実世界の腐敗に対するポーズ推定モデルの堅牢性を評価するためのベンチマークであるPoseBenchを紹介する。
  論文  参考訳（メタデータ） (2024-06-20T14:40:17Z)
• LiftFormer: 3D Human Pose Estimation using attention models [0.0]
  本稿では,映像中の人間のポーズの順序付けに注意機構を活用することで,より正確な3次元予測を実現するためのモデルを提案する。 本手法は,Human3.6Mにおける2次元キーポイント予測器の0.3 mm (44.8 MPJPE, 0.7%改善) と2mm (MPJPE: 31.9, 8.4%改善) の2次元真理入力の双方を用いた場合,文献の先行結果よりも一貫して優れていた。 我々の3Dリフトモデルの精度は、他のエンドツーエンドまたはSMPLアプローチよりも高く、多くのマルチビュー手法に匹敵する。
  論文  参考訳（メタデータ） (2020-09-01T11:05:45Z)

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。