論文の概要: MaLiang-Harness: A Programmable Path to Image and Video Generation

• arxiv url: http://arxiv.org/abs/2609.34309v1
• Date: Mon, 28 Sep 2026 04:48:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 21:59:46.519398
• Title: MaLiang-Harness: A Programmable Path to Image and Video Generation
• Title（参考訳）: MaLiang-Harness:画像とビデオ生成のためのプログラマブルパス
• Abstract要約: 本稿では,MLLMによる視覚生成を永続的な構築・検査・修正プロセスにまとめるフレームワークであるMaLiang-Harnessを紹介する。 我々は,MaLiang-IBench上の11個の強力なクローズソースMLLMとMaLiang-VBench上の4つのMLLMを評価し,生成成功,視覚的品質,計算コストを測定した。
• 参考スコア（独自算出の注目度）: 131.25289080401856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Executable programs offer explicit control over how images and videos are constructed, but generating runnable code is only the beginning of visual creation. A program can execute correctly while violating the requested composition, appearance, or motion. We define this discrepancy as the Program-to-Visual (P2V) gap and introduce MaLiang-Harness, a unified framework for organizing MLLM-driven visual generation into a persistent process of construction, inspection, and revision. Its central design is to make the evolving visual program, its construction history, and its verification share a common revision reference. We define the Persistent Executable Generation (PEG) state as preserving programs and task context. Traceable Generation Process (TGP) connects edits to rendered evidence, and Revision-aware Editing and Verification (REV) supports restoration and checks the current revision before completion. Together, these mechanisms coordinate planning, execution, and visual feedback across rendering backends. We evaluate 11 powerful closed-source MLLMs on MaLiang-IBench and four on MaLiang-VBench, measuring generation success, visual quality, and computational cost. GPT-6-Astra achieves 100% generation success on both benchmarks, with 96.0% of image tasks and 76.9% of video tasks meeting all quality thresholds. The comparison also reveals a mismatch between general capability scores and visual generation performance, with similarly scored models differing substantially in their ability to satisfy visual requirements. MaLiang-Harness provides a systematic basis for studying how MLLMs translate executable code into visual outcomes, exposing both the potential of programmable generation and the limitations of general benchmarks as predictors of this ability. The project is available at https://github.com/gulucaptain/MaLiang-Harness.
• Abstract（参考訳）: 実行可能プログラムは、画像やビデオをどのように構築するかを明確に制御するが、実行可能コードを生成することは、視覚的な創造の始まりにすぎない。 プログラムは、要求された構成、外観、動作に違反しながら正しく実行することができる。 MLLMによる視覚生成を永続的な構築・検査・修正プロセスにまとめる統合フレームワークであるMaLiang-Harnessを導入し,P2Vのギャップをプログラム・トゥ・ビジュアル(Program-to-Visual)として定義する。 その中心となる設計は、進化するビジュアルプログラム、その建設履歴、そしてその検証を共通のリビジョンリファレンスとして共有することである。 我々は,PEG(Persistent Executable Generation)状態を,プログラムとタスクコンテキストの保存として定義する。 トレーサブル生成プロセス(TGP)は、編集とエビデンスを接続し、Revision-aware Editing and Verification(REV)は復元をサポートし、完了前に現在のリビジョンをチェックする。 同時に、これらのメカニズムは、レンダリングバックエンド全体の計画、実行、視覚的なフィードバックを調整する。 我々は,MaLiang-IBench上の11個の強力なクローズソースMLLMとMaLiang-VBench上の4つのMLLMを評価し,生成成功,視覚的品質,計算コストを測定した。 GPT-6-Astraは両方のベンチマークで100%の成功をおさめ、画像タスクの96.0%、ビデオタスクの76.9%が全ての品質基準を満たしている。 この比較では、一般的な能力スコアと視覚生成性能のミスマッチも示しており、同様のスコア付けされたモデルは、視覚的要求を満たす能力において大きく異なる。 MaLiang-Harnessは、MLLMが実行可能コードを視覚的な結果に変換する方法を研究するための体系的な基盤を提供する。 このプロジェクトはhttps://github.com/gulucaptain/MaLiang-Harness.comで入手できる。

関連論文リスト

• SemComp-Bench: Benchmarking Semantic Task Completion in Video Generation [58.75109156710544]
  本稿では,結果指向のビデオ生成タスクであるSemantic Task Completion Video Generationを紹介する。 この定式化の下では、成功には意図された成果の達成と意味的根拠の両方が必要である。 6つの領域をカバーする評価データセットであるSemComp-Dataを構築した。 本稿では、視覚言語モデル(VLM)を用いて、構造化された二項質問に答える評価プロトコルであるSemComp-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-08-18T06:45:07Z)
• VCG-Bench: Towards A Unified Visual-Centric Benchmark for Structured Generation and Editing [37.60481878724908]
  本稿では、視覚中心のttmxGraphタスクの統一ベンチマークであるVCG-Benchを紹介する。 VCG-Benchは、(1)6つのドメインと15のサブドメインにまたがる1,449の多様なダイアグラムからなる分類データセット、(2)生成(Vision-to-Code)と編集可能性(Code-to-Code)を統合するパラダイム定義、(3)textttmxGraph実行成功率、スタイル一貫性スコア(SCS)などの多次元メトリクスを利用するテーラー評価プロトコルを含む。
  論文  参考訳（メタデータ） (2026-05-15T06:59:28Z)
• How Well Do Models Follow Visual Instructions? VIBE: A Systematic Benchmark for Visual Instruction-Driven Image Editing [56.60465182650588]
  我々は,3段階の相互作用階層を導入し,決定的接地,形態的操作,因果推論を捉える。 本稿では,スケーラブルできめ細かい評価を実現するために,タスク固有のメトリクスを備えた堅牢なLMM-as-a-judge評価フレームワークを提案する。 プロプライエタリなモデルは早期の視覚指示追従能力を示し、一貫してオープンソースモデルを上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-02-02T09:24:45Z)
• VIPER: Process-aware Evaluation for Generative Video Reasoning [64.86465792516658]
  我々は、時間的、構造的、象徴的、空間的、物理的、計画的推論にまたがる16のタスクにまたがる包括的なベンチマークVIPERを紹介する。 実験の結果,現状の映像モデルでは約20%のPOC@1.0しか達成できず,良好な結果が得られた。
  論文  参考訳（メタデータ） (2025-12-31T16:31:59Z)
• FOCUS: Unified Vision-Language Modeling for Interactive Editing Driven by Referential Segmentation [55.01077993490845]
  最近のLVLM(Large Vision Language Models)は、視覚的理解と生成的モデリングを統一する有望な能力を示している。 本稿では,分割認識と制御可能なオブジェクト中心生成をエンドツーエンドフレームワークに統合した統合LVLMであるFOCUSを紹介する。
  論文  参考訳（メタデータ） (2025-06-20T07:46:40Z)
• VURF: A General-purpose Reasoning and Self-refinement Framework for Video Understanding [65.12464615430036]
  本稿では,Large Language Models (LLM) の推論能力に基づくビデオ理解・推論フレームワーク (VURF) を提案する。 ビデオタスクのコンテキストにおいてLLMの実用性を拡張し,最小限のインプットとアウトプットのデモをコンテキストフレームワーク内で一般化する,新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-21T18:00:00Z)
• Visual Program Distillation: Distilling Tools and Programmatic Reasoning into Vision-Language Models [17.540937747712082]
  視覚言語モデル(VLM)を生成する命令チューニングフレームワークである視覚プログラム蒸留(VPD)を提案する。 VPDは、複数の候補プログラムをサンプルにすることで、大きな言語モデルの推論能力を蒸留する。 それぞれの正しいプログラムを推論ステップの言語記述に変換し、VLMに蒸留する。
  論文  参考訳（メタデータ） (2023-12-05T18:58:37Z)

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。