論文の概要: From Perception to Integration: Revisiting the Internal Dynamics of Reasoning in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2609.34809v1
• Date: Mon, 28 Sep 2026 10:12:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 02:39:39.572725
• Title: From Perception to Integration: Revisiting the Internal Dynamics of Reasoning in Vision-Language Models
• Title（参考訳）: 知覚から統合へ:視覚言語モデルにおける推論の内部ダイナミクスを再考する
• Abstract要約: 視覚言語モデル(VLM)は単純な視覚的質問に答えることができるが、ある質問が複数の視覚的判断を必要とする場合、しばしば苦労する。 本研究では, 特徴結合, 特異性, 空間関係, アモーダル完備化の制御タスクと, それらを組み合わせた複合タスクとのギャップについて検討する。 4つのモデル、直接的な回答、隠れ状態の読み出し、および状態介入は、個々の判断を明確な推論なしで行うことができることを示している。
• 参考スコア（独自算出の注目度）: 39.89983065873393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models (VLMs) can answer simple visual questions, but often struggle when one question requires several visual judgments. We study this gap with controlled tasks for feature binding, numerosity, spatial relations, and amodal completion, together with a Composite task that combines them. Matched counterfactual image pairs isolate changes in the visual evidence needed to answer. Across four models, direct answers, hidden-state readouts, and state interventions show that the individual judgments can be made without explicit reasoning and that intervening on the corresponding states can affect the answer. During reasoning, the Composite answer becomes decodable from hidden states and usable from shortened traces, often before the model stops on its own. We train a small detector to predict this readiness and stop reasoning at that point. On MMStar and RealWorldQA, this reduces mean reasoning tokens by 79.1% and 74.5%, while average accuracy rises by 3.13 and 3.30 percentage points, respectively. These findings connect the internal development of answer readiness to a practical rule for allocating reasoning computation.
• Abstract（参考訳）: 視覚言語モデル(VLM)は単純な視覚的質問に答えることができるが、ある質問が複数の視覚的判断を必要とする場合、しばしば苦労する。 本研究では, 特徴結合, 特異性, 空間関係, アモーダル完備化の制御タスクと, それらを組み合わせた複合タスクとのギャップについて検討する。 一致した対物画像ペアは、答えるために必要な視覚的証拠の変化を分離する。 4つのモデル、直接回答、隠された状態の読み出し、および状態介入は、個々の判断が明示的な推論なしで行うことができ、対応する状態への介入が答えに影響を与えることを示している。 推論の間、複合解答は隠された状態から退避可能となり、しばしばモデルがそれ自体で停止する前に、短いトレースから使用することができる。 私たちは、この準備が整ったことを予測し、その時点で推論を止めるために小さな検出器を訓練します。 MMStarとRealWorldQAでは平均推論トークンを79.1%、74.5%削減し、平均精度は3.13ポイント、RealWorldQAは3.30ポイント向上した。 これらの知見は、解答準備性の内部的発達と、推論計算を割り当てるための実践的な規則とを結びつけている。

関連論文リスト

• MNIST-PRO: MNIST is Back as a Partially Observable World for AI Agents [74.83535434786145]
  MNIST-PRO (MNIST-PRO) は、MNISTの桁認識を、ルックバック制約付きシーケンシャルな視線に基づく検索タスクに変換することで、エージェント認識を分離するベンチマークである。 生の視覚履歴、テキスト状態、構造化されたメートル法グリッドマップ、統合された視覚キャンバスを含む4つの記憶表現の10つのマルチモーダルモデルを評価する。
  論文  参考訳（メタデータ） (2026-08-31T16:05:39Z)
• VisualFLIP: Do Predictions Depend on Task-Critical Visual Evidence in Multimodal Reasoning? [79.44137632338062]
  マルチモーダルな大規模言語モデルが視覚的推論問題に正しく答える場合、その予測はタスククリティカルな視覚的証拠によって実際に支持されているか? VisualFLIPは1,374枚の画像が基数,属性,空間,論理的タスクにまたがって同一の問合せペアとして配置されたベンチマークである。 ペアの両面を解く必要がある24個のMLLMと、少なくとも一方の面を解くモデルが両方の画像に対して同じ空でない答えを繰り返す頻度を測定するCR(Collapse Rate)を評価した。
  論文  参考訳（メタデータ） (2026-06-05T22:06:07Z)
• Measuring and Narrowing the Compositionality Gap in Language Models [116.5228850227024]
  モデルがすべてのサブプロブレムに正しく答えられる頻度を計測するが、全体の解は生成しない。 我々は,思考の連鎖をさらに改善する新たな手法である自己認識法を提案する。
  論文  参考訳（メタデータ） (2022-10-07T06:50:23Z)

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。