論文の概要: Hard Vision, Easy Vision: What GPT-6 Astra Reveals Across Computer Vision

• arxiv url: http://arxiv.org/abs/2609.35718v1
• Date: Mon, 28 Sep 2026 17:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 19:22:50.637953
• Title: Hard Vision, Easy Vision: What GPT-6 Astra Reveals Across Computer Vision
• Title（参考訳）: GPT-6アストラがコンピュータビジョンを横断する「ハードビジョン」と「イージービジョン」
• Abstract要約: 我々は、GPT-6 Astraと、コンピュータビジョンの9つの領域にまたがる34の能力と55のベンチマークの5つのフロンティア汎用AIシステムを評価した。 アストラは広い視覚能力を示し、視覚的および空間的推論における他のフロンティアシステムよりも大幅に向上し、構造的予測の形式もいくつかある。 これらの結果はコンピュータビジョンの変化する風景をマッピングし、より洗練された視覚タスクが汎用インタフェースを通してアクセスできるようになる。
• 参考スコア（独自算出の注目度）: 77.02469010536404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frontier general-purpose systems are rapidly expanding beyond visual understanding into capabilities traditionally handled by dedicated computer-vision models. As these capabilities expand, a central question for the computer-vision community is how far this reach extends, and what remains hard. We evaluate GPT-6 Astra alongside five frontier general-purpose AI systems across 34 capabilities and 55 benchmarks spanning nine areas of computer vision. We compare their performance with dedicated models and humans where suitable references are available. Astra demonstrates broad visual capability, with substantial gains over other frontier systems in visual and spatial reasoning and several forms of structured prediction. Across the state-of-the-art systems, a consistent pattern emerges. Capabilities involving semantic interpretation, reasoning, and object-centric prediction increasingly approach or reach available reference levels. In contrast, larger gaps remain when tasks require metric geometric accuracy, faithful reconstruction, temporally consistent dense prediction, or specialized fine-grained visual knowledge. Additional reasoning and specialist tools close selected gaps, but their benefits vary across capabilities. These results map a changing landscape of computer vision in which increasingly sophisticated visual tasks are accessible through a general-purpose interface, while precise and fidelity-sensitive perception remains an important frontier.
• Abstract（参考訳）: 最前線の汎用システムは、視覚的理解を超えて、伝統的に専用のコンピュータビジョンモデルによって扱われる能力へと急速に拡大している。 これらの能力が拡大するにつれて、コンピュータビジョンのコミュニティにとっての中心的な疑問は、それがどこまで達するか、そして何が難しいのかである。 我々は、GPT-6 Astraと、コンピュータビジョンの9つの領域にまたがる34の能力と55のベンチマークの5つのフロンティア汎用AIシステムを評価した。 私たちは、それらのパフォーマンスを、適切な参照が利用できる専用のモデルと人間と比較します。 アストラは広い視覚能力を示し、視覚的および空間的推論における他のフロンティアシステムよりも大幅に向上し、構造的予測の形式もいくつかある。 最先端のシステム全体で、一貫したパターンが現れます。 意味解釈、推論、オブジェクト中心の予測を含む能力は、ますます近づくか、利用可能な参照レベルに達する。 対照的に、タスクが計量幾何学的精度、忠実な再構築、時間的に一貫した密接な予測、専門的なきめ細かい視覚的知識を必要とする場合、大きなギャップは残る。 追加の推論と専門ツールが選択されたギャップを閉じるが、そのメリットは機能によって異なる。 これらの結果は、より高度な視覚タスクが汎用インターフェースを通じてアクセス可能である一方で、正確で忠実な知覚が重要なフロンティアであるコンピュータビジョンの変化する風景をマッピングする。

関連論文リスト

• Commonsense Reasoning in Computer Vision: Foundations, Recent Advancements, and Future Directions [1.396778199498531]
  本稿では,コモンセンス知識をコンピュータビジョンタスクに統合する開発事例について述べる。 データセットバイアス、知識の不完全性、統合問題に関連する現在の制限について論じる。 我々は、クロスモーダル推論、スケーラブルなコモンセンス知識注入、ニューロシンボリックハイブリッドアーキテクチャにおける先進的な研究軌道を強調した。
  論文  参考訳（メタデータ） (2026-09-04T15:19:37Z)
• Towards Generalizable Visually Grounded Exploration of Household Devices [74.66117923766632]
  汎用的な自律的実施エージェントを実現する上でのボトルネックは、Generalizable Visually Grounded Explorationにある。 VGEBenchは、視覚言語モデルの一般化可能な視野探索能力を評価するために設計されたベンチマークである。 静的なデータセットとは異なり、我々はLogic-Driven State Machineフレームワークを構築している。このフレームワークは多ターンインタラクションループをシミュレートし、アクティブな視覚知覚とフィードバック駆動の修正によって目標を達成するエージェントを説得する。
  論文  参考訳（メタデータ） (2026-09-01T07:42:45Z)
• Rethinking Generic Object Tracking Toward Human-Level Perceptual Intelligence [0.8883733362171032]
  この論文は、機械視覚追跡システムと人間の視覚知覚のギャップを狭めることを目的としている。 追跡モデルの目標識別、ロバスト適応、幾何学的推論能力を体系的に強化する一連の手法を提案する。
  論文  参考訳（メタデータ） (2026-07-01T18:54:00Z)
• The Latent Space: Foundation, Evolution, Mechanism, Ability, and Outlook [157.2023962273514]
  言語ベースモデルのネイティブベースとして,潜伏空間が急速に出現している。 この調査は、言語ベースのモデルにおける潜在空間の統一的で最新の展望を提供することを目的としている。
  論文  参考訳（メタデータ） (2026-04-02T13:36:37Z)
• Revisiting Multi-Task Visual Representation Learning [52.93947931352643]
  本稿では,マルチタスク・ビジュアル事前学習フレームワークであるMTVを紹介する。 我々は、高容量の「エキスパート」モデルを利用して、高密度で構造化された擬似ラベルを大規模に合成する。 以上の結果から,MTV が "Best-of-both-worlds" のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-01-20T11:59:19Z)
• Aguvis: Unified Pure Vision Agents for Autonomous GUI Interaction [69.57190742976091]
  Aguvisは、自律的なGUIエージェントのためのビジョンベースのフレームワークである。 クロスプラットフォームのインタラクションを標準化し、内部モノローグによる構造化推論を取り入れている。 オフラインおよび実世界のオンラインベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-05T18:58:26Z)
• Perceive, Ground, Reason, and Act: A Benchmark for General-purpose Visual Representation [26.039045505150526]
  現在のコンピュータビジョンモデルは、人間の視覚システムとは異なり、汎用的な視覚的理解がまだ得られていない。 視覚認知能力の全スペクトルを網羅する総合的視覚理解評価(General Visual Understanding Evaluation)を提案する。
  論文  参考訳（メタデータ） (2022-11-28T15:06:07Z)
• AEGIS: A real-time multimodal augmented reality computer vision based system to assist facial expression recognition for individuals with autism spectrum disorder [93.0013343535411]
  本稿では,コンピュータビジョンと深部畳み込みニューラルネットワーク(CNN)を組み合わせたマルチモーダル拡張現実(AR)システムの開発について述べる。 提案システムはAIGISと呼ばれ,タブレット,スマートフォン,ビデオ会議システム,スマートグラスなど,さまざまなユーザデバイスにデプロイ可能な支援技術である。 我々は空間情報と時間情報の両方を活用して正確な表現予測を行い、それを対応する可視化に変換し、元のビデオフレーム上に描画する。
  論文  参考訳（メタデータ） (2020-10-22T17:20:38Z)

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。