論文の概要: SpatialSkill: Self-Evolving Skills for Cross-View Spatial Reasoning

• arxiv url: http://arxiv.org/abs/2609.34124v1
• Date: Mon, 28 Sep 2026 02:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:50:29.974457
• Title: SpatialSkill: Self-Evolving Skills for Cross-View Spatial Reasoning
• Title（参考訳）: 空間スキル:クロスビュー空間推論のための自己進化スキル
• Abstract要約: クロスビュー空間推論は、異なる視点をコヒーレントな空間表現に整列させるモデルを必要とする。 我々は、凍結した視覚言語モデルがオフラインの軌跡から明示的な自然言語推論スキルを蓄積することを可能にする、ウェイトアップのないフレームワークであるtextitSpatialSkillを提案する。
• 参考スコア（独自算出の注目度）: 10.519961851065128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-view spatial reasoning requires a model to align different viewpoints into a coherent spatial representation, yet this ability remains challenging for vision-language models despite being natural to humans. Existing methods typically improve spatial reasoning by updating model weights, which keeps the acquired knowledge implicit and tied to a specific backbone. We propose \textit{SpatialSkill}, a weight-update-free framework that enables a frozen vision-language model to accumulate explicit natural-language reasoning skills from offline trajectories. Unlike symbolic tasks, perceptual skills cannot be reliably verified simply by executing them: a plausible spatial rule may lack visual support or require transformations that the frozen model cannot perform. SpatialSkill therefore admits candidate skills only after visual-grounding and executability checks, constrains manual evolution to prevent harmful regressions, and routes skills by spatial-reasoning category to reduce negative transfer. On CityCube, across four frozen executors, SpatialSkill yields consistent gains, and a 9B executor equipped with SpatialSkill surpasses the strongest closed-source reference in our evaluation. The skills are stored in a versioned natural-language manual, making the reasoning strategies explicit and auditable without modifying model parameters. Code at https://github.com/vindahi/SpatialSkill.
• Abstract（参考訳）: クロスビュー空間推論は、異なる視点をコヒーレントな空間表現に整合させるモデルを必要とするが、この能力は人間に自然であるにもかかわらず、視覚言語モデルでは困難である。 既存の手法は通常、モデルウェイトを更新することで空間的推論を改善し、取得した知識を暗黙的に保持し、特定のバックボーンに結び付ける。 そこで我々は,凍結した視覚言語モデルにより,オフラインの軌跡から明示的な自然言語推論スキルを蓄積可能な,ウェイトアップフリーなフレームワークである‘textit{SpatialSkill} を提案する。 象徴的なタスクとは異なり、知覚のスキルは単にそれらを実行するだけでは確実に検証できない。 従って、SpatialSkillは、視覚的グラウンドと実行可能性チェックの後にのみ候補者のスキルを認め、有害な回帰を防ぐために手動の進化を制約し、空間推論のカテゴリによってスキルをルートし、負の移動を減らす。 CityCubeでは,4つのフリーズエグゼキュータでSpatialSkillが一貫した利得を達成し,SpatialSkillを搭載した9Bエグゼキュータが評価において最強のクローズソース基準を上回った。 スキルは、バージョン管理された自然言語マニュアルに格納され、モデルパラメータを変更することなく、推論戦略が明確で監査可能である。 コードネームはhttps://github.com/vindahi/SpatialSkill。

関連論文リスト

• Self-Evolving Neuro-Symbolic Skills for Tool-Augmented Spatial Reasoning [18.12719033699671]
  自己進化型空間スキルのためのニューロシンボリックフレームワークNeSy-Spatialを提案する。 NeSy-Spatialはツールの相互作用と幾何学的操作を型付け可能な原子命令に抽象化する。 ツールを実行するためのツール・ユース・スキルと、構造化された幾何学的推論のための幾何学的スキルの2つの補完的なスキルタイプで構成されている。
  論文  参考訳（メタデータ） (2026-08-08T06:36:40Z)
• VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
  本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。 VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。 Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
  論文  参考訳（メタデータ） (2026-06-03T20:02:35Z)
• Skill Neologisms: Towards Skill-based Continual Learning [46.44104273347049]
  スキル・ネオロジズムは、アウト・オブ・ディストリビューション・スキルによって構成されながら、特定のスキルのモデル能力を改善するために学習できることが示される。 これらの結果から,スキル・ネオロジズムは,スキル・ベースの継続的学習へのスケーラブルな道筋を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-06T14:27:12Z)
• Decompose and Recompose: Reasoning New Skills from Existing Abilities for Cross-Task Robotic Manipulation [45.91196295385836]
  クロスタスクの一般化は、オープンソースのロボット操作における中核的な課題である。 中間表現としてアトミックなスキルアクションペアを用いたスキル推論フレームワークであるDecomposeとRecomposeを提案する。 われわれのアプローチでは、実演を解釈可能なスキル-アクションアライメントに分解し、モデルが見えないタスクのためにこれらのスキルを再構成できるようにする。
  論文  参考訳（メタデータ） (2026-05-02T13:55:28Z)
• From Context to Skills: Can Language Models Learn from Context Skillfully? [56.5857437218136]
  Ctx2Skillは、コンテキスト固有のスキルを自律的に発見、洗練、選択する自己進化フレームワークである。 より良い文脈学習能力を得るために、どんな言語モデルにもプラグインできる。
  論文  参考訳（メタデータ） (2026-04-30T09:53:15Z)
• Characterizing Model-Native Skills [16.891026204025838]
  スキルは、言語モデルに何ができるか、その振る舞いをどのように変えられるのかを記述するための自然なユニットである。 既存の特徴付けは人書き、テキスト記述、手動プロファイリングパイプラインに依存している。 モデルビヘイビアに介入することが目標である場合、スキルの特徴付けは*モデルネイティブ*でなければならない、と我々は主張する。
  論文  参考訳（メタデータ） (2026-04-19T20:58:25Z)
• STAR: Learning Diverse Robot Skill Abstractions through Rotation-Augmented Vector Quantization [87.77475595961154]
  textbfSkill textbfTraining with textbfAugmented textbfRotation (textbfSTAR) は、スキル学習と構成の両方を進化させて複雑な振る舞いを完遂するフレームワークである。
  論文  参考訳（メタデータ） (2025-06-04T11:54:42Z)
• Adversarial Pixel Restoration as a Pretext Task for Transferable Perturbations [54.1807206010136]
  トランスファー可能な敵攻撃は、事前訓練された代理モデルと既知のラベル空間から敵を最適化し、未知のブラックボックスモデルを騙す。 本稿では,効果的なサロゲートモデルをスクラッチからトレーニングするための自己教師型代替手段として,Adversarial Pixel Restorationを提案する。 我々のトレーニングアプローチは、敵の目標を通したオーバーフィッティングを減らすmin-maxの目標に基づいています。
  論文  参考訳（メタデータ） (2022-07-18T17:59:58Z)

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。