論文の概要: When Should a VLM Look? Paying Only for Visual Calls That Were Needed and Used

• arxiv url: http://arxiv.org/abs/2609.22910v1
• Date: Sat, 19 Sep 2026 09:34:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.914107
• Title: When Should a VLM Look? Paying Only for Visual Calls That Were Needed and Used
• Title（参考訳）: VLMはいつ見るべきか? 必要だったり使ったりしたビジュアルコールだけに支払う
• Abstract要約: 作物を収穫し、ズームする視覚エージェントは、ツールコールを成功させる報酬で訓練される。 私たちのコールドスタートチェックポイントでは、ビジュアルコールの10%から12%しか必要とせず、使われませんでした。 CounterCreditは、実現したプリコール状態にあるすべてのイメージリターンコールについて、両方の質問を行う。
• 参考スコア（独自算出の注目度）: 19.579089070513827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language agents that crop and zoom are trained with rewards that credit a successful tool call, yet a successful call does not show that the model needed to look or used the pixels it received. On our cold-start checkpoint only 10% to 12% of visual calls were both needed and used, and released agents make spurious calls 36% to 87% of the time on individual benchmarks. Outcome rewards, judge rewards, and branch probes each observe one side of this failure, and about two thirds of what an outcome reward pays goes to calls that were neither needed nor used. CounterCredit asks both questions of every image-returning call at its realized pre-call state, using the policy's own gold-answer score. A decision value compares the realized visual branch with answering immediately; an evidence value compares the returned crop with random same-size patches substituted into the same call. A call verified on both earns cashback and every other executed call pays rent; the price is bounded so that every correct trajectory outranks every wrong one, and a dual-channel GRPO advantage keeps the price in its own units. From the same cold start, prompt pool, and budget, CounterCredit reaches 89.5% on V*, 80.2% on HR-Bench-4K, and 76.4% on HR-Bench-8K, 6.3 to 9.4 points above outcome-only GRPO at 1.78 against 1.84 calls per question, and lowers the spurious-call rate to 31% to 36%, the lowest among the agents evaluated. The same recipe lifts a Qwen3-VL-8B base from 75.4 to 80.8 on average.
• Abstract（参考訳）: クロップとズームを行う視覚エージェントは、成功したツールコールを信用する報酬で訓練されるが、成功したコールは、受信したピクセルの検索や使用に必要なモデルを示すものではない。 私たちのコールドスタートチェックポイントでは、ビジュアルコールの10%から12%しか必要とせず、リリースされたエージェントは、個々のベンチマークの36%から87%の時間でスプリアスコールを行いました。 アウトカム報酬、審査報酬、およびブランチプローブはそれぞれ、この失敗の片側を観察し、結果報酬の約3分の2は、不要で使用されていない呼び出しに支払われる。 CounterCreditは、このポリシーのゴールド・アンサー・スコアを使って、実際のコール前状態にあるすべてのイメージリターンコールについて、両方の質問を行う。 決定値は、実現された視覚分岐と即応答を比較し、エビデンス値は、返却された作物と同一呼び出しに置換されたランダムな同サイズのパッチを比較する。 両方のコールで検証されたコールはキャッシュバックを受け取り、他の呼び出しが実行されたすべてのコールは賃貸料を支払う。 同じコールドスタート、プロンプトプール、予算から、CounterCreditはV*で89.5%、HR-Bench-4Kで80.2%、HR-Bench-8Kで76.4%、結果のみのGRPOで1.78から9.4ポイント、質問1回当たり1.84コールで1.1%から36%に低下した。 同じレシピはQwen3-VL-8Bベースを平均75.4から80.8に引き上げる。

関連論文リスト

• Target-Checked Reliability Score Refinement for Video Question Answering [3.8271803328378677]
  モデルの再トレーニングや回答の変更を伴わずに、目標シフトの下で回答レベルの信頼性スコアを改善できるかどうかを検討する。 3つの固定されたビデオ言語モデルから、4つの決定論的ビデオサンプリングに基づいてオプション確率リストを収集する。 選択した回答に割り当てられた確率として定義される原点スコアと,開発データセットに基づいて学習したヒストグラムに基づく勾配ボスティング(HGB)スコアを比較した。 候補は、ビデオレベルの繰り返しチェックがポジティブで安定した改善を示す場合にのみ、元のスコアを置き換える。
  論文  参考訳（メタデータ） (2026-09-09T08:29:00Z)
• K-Bench: measuring model performance on real scientific agent requests [0.0]
  K-Bench 01は、K-Dense Web上のライブユーザトラフィックからサンプリングされた一ターンリクエストから構築された評価である。 3人の盲目の言語モデル判事が8次元のルーリックに対して毎回得点した。 39,934点中47.6%が8点を下回った。
  論文  参考訳（メタデータ） (2026-08-21T20:06:08Z)
• Dear Algo: A Precision-First Agentic Intent Layer for Unified Search and Recommendation [14.580988352516457]
  emphmore NBA News や emphless politics といったオープンエンドのリクエストは、ワンショットの結果リストではなく、その後のフィードレコメンデーションを操縦する。 Dear Algo on Threadsは、明示的に、推論され、ネガティブで、複雑なインテントを、地上の実行可能なプランにコンパイルする。 提案手法は, 精度優先評価フレームワークを用いて, フィードレコメンデーションに自然言語の意図がどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2026-08-16T17:59:12Z)
• DarwinX: Evolving Agent Harnesses Through Natural Selection [48.64258219266629]
  ダーウィンXは自己進化を、モデルが凍結されたハーネスの集団の選択として扱う。 一般的なエージェント能力はベンチマーク固有のパッチではなく、タスク、検証、ベースモデルの変更を生き残る。
  論文  参考訳（メタデータ） (2026-07-31T05:34:02Z)
• Visual Credit Audit for Multimodal Spatial Reasoning [70.16915309526443]
  Visual Credit Auditは、ベンチマーク画像がテキストのみとブランクコントロールよりもモデルの宣言された決定をもっとサポートするかどうか、モデルが関係性固有の視覚的エビデンスに反応するかどうかの2つの評価を分離する。 ラベルを適用すれば依存性認定正当性(D-CC)が得られる 4つのオープンMLLMと2つの空間ベンチマーク、12.73-26.25%の判定は正確であるが、証明されていない。
  論文  参考訳（メタデータ） (2026-07-29T15:55:31Z)
• Who Gets Named: Citation Type Predicts Individual Naming by Grounded Language Models, and a Roster Instrument Captures 0.5% of It [0.0]
  2026年7月24日に1つの2時間窓で2,400件の接地APIコールを発行した。 すべてのレスポンスは、個別のプロフェッショナルを指名するかどうかによってコード化されました。 モデルは25.8%の回答で個人を指名した。
  論文  参考訳（メタデータ） (2026-07-26T23:37:34Z)
• Right Makes Might: Aligning Verified Hidden States Empowers RL Reasoning [55.264863369127774]
  現在の方法では、それぞれの正しいロールアウトを単一の報酬ビットに減らし、隠れた状態間で共有される幾何学的構造を無視している。 本稿では,RLトレーニングにおけるアンカートークンにおける正ロールアウトの最終層を,トレーニングと推論の両方においてゼロオーバーヘッドで整列する補助損失関数Hidden-Alignを提案する。 8つの数学的推論ベンチマークでは、Hidden-AlignはDAPOベースラインの平均パス@1をQwen3-1.7B, 4B, 14Bで3.8, 6.2, 5.4ポイント改善し、3つのスケールで一貫したパス@kゲインを得る。
  論文  参考訳（メタデータ） (2026-06-02T06:51:15Z)
• Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。 正しい回答の18.2%は間違っているが、肯定的な報酬がある。 6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
  論文  参考訳（メタデータ） (2026-05-17T07:08:14Z)
• The Price Reversal Phenomenon: When Cheaper Reasoning Models End Up Costing More [76.93600828673503]
  リストAPIの価格設定は、実際のコストに対する信頼性の低いプロキシである。 思考トークンのコストの削減は、ランキングの反転を70%削減します。 この結果から,コスト意識モデル選択と透過的な要求毎のコスト監視の必要性が示唆された。
  論文  参考訳（メタデータ） (2026-03-25T06:07:39Z)

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。