論文の概要: 4MT-VLM: How Coarse Is a VLMs Cognitive Map?

• arxiv url: http://arxiv.org/abs/2609.39238v1
• Date: Wed, 30 Sep 2026 08:06:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.428517
• Title: 4MT-VLM: How Coarse Is a VLMs Cognitive Map?
• Title（参考訳）: 4MT-VLM: VLMの認知マップはどんなに粗いか?
• Abstract要約: プロシージャによって生成された風景のデータセットである4MT-VLMを導入し、それぞれ5つの刺激モードでレンダリングする。 我々はこのベンチマークを16の異なるオープンソースモデルとクローズドソースモデルでテストし、4AFC性能を報告した。 研究対象の場所をモデルが識別するが、カメラが動き出したら失くし、25%の確率レベルを135で下回っているのが観察できる。
• 参考スコア（独自算出の注目度）: 1.3537117504260623
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: An agent that moves must recognise a place from a viewpoint it has never seen. We introduce 4MT-VLM, a dataset of procedurally generated landscapes, each rendered across five stimulus modes that remove appearance cues while holding layout fixed: shape and colour, shape only, colour only, bare terrain peaks with no objects, and a valley viewpoint that puts the peaks on the horizon. The last condition is commonly used in clinics to probe hippocampal function in human patients. We test this benchmark across sixteen different open and closed-source models and report 4AFC performance, a measure which is also used to grade human participants. We observe that models identify a place from the studied viewpoint but lose it once the camera moves, dropping below the 25% chance level at 135° where a human observer scores 85%. Frontier models (Gemini 3.8 Flash, GPT-5.6) answer only 39% and 31% of rotated trials correctly, recovering to 85% and 55% only when distractors are moved more than 30 meters apart. Our benchmark demonstrates that while current VLMs possess rudimentary cognitive maps, their spatial resolution remains fundamentally too coarse to maintain a stable, 3D understanding of the world once the viewpoint changes.
• Abstract（参考訳）: 動くエージェントは、これまで見たことのない視点から場所を認識する必要があります。 4MT-VLM,4MT-VLM,4MT-VLM,4MT-VLM,4MT-VLM,4T-VLM,4T-VLM,4T-VLM,4T-VLM。 最後の症状は、ヒトの海馬機能を調べるために診療所で一般的に用いられている。 我々は、このベンチマークを16種類のオープンソースモデルとクローズドソースモデルでテストし、4AFCのパフォーマンスを報告した。 研究対象の場所をモデルで識別するが、カメラが動き出した時点で失くし、観察者のスコアが85%の135°で25%の確率レベル以下に低下する。 フロンティアモデル(Gemini 3.8 Flash, GPT-5.6)は、39%と31%しか正確な回転試験に答えず、85%と55%に回復した。 我々のベンチマークでは、現在のVLMは初歩的な認知地図を持っているが、その空間分解能は基本的に大きすぎるため、視点が変化すると世界に対する安定した3D理解を維持することができないことが示されている。

関連論文リスト

• VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
  VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。 汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。 モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
  論文  参考訳（メタデータ） (2026-09-17T01:24:51Z)
• StateSight: Benchmarking Latent Spatial-State Reconstruction in Vision-Language Models [0.5624504968545648]
  我々は,立方体-ネット対面推論,閉立方体-towerカウント,隣接する連結成分カウントのベンチマークであるStateSightを紹介する。 各タスクファミリーには300の単一イメージプロンプトがあり、決定論的オラクルラベルと正確なマッチスコアがある。 OpenAI GPT-5.5はAPIモデルの識別子gpt-5.5を使用して、3つのタスクで59.3%、33.3%、28.3%の精度を達成した。
  論文  参考訳（メタデータ） (2026-08-15T20:13:12Z)
• Benchmarking the Robustness of Autonomous Driving to Environmental Illusions: A Lane Perception Perspective [76.02772556944073]
  環境錯覚は自然に存在するが、現実の運転環境では見過ごされている現象である。 視覚的知覚を妨害し、シーンの誤解を招き、自動運転システムに深刻な安全リスクをもたらす。 最初のベンチマークであるLanEvil++を導入し、環境錯覚下での車線知覚の堅牢性を評価する。
  論文  参考訳（メタデータ） (2026-07-07T03:15:00Z)
• Where Am I? Semantic Map Grounding via Vision-Language Models for Multi-Modal Localization [0.0]
  我々は,GPSを用いた屋内環境におけるロボットのローカライゼーションをセマンティック推論タスクとして再検討することで解決する。 人間が対象レベルの手がかりやラベル付き地図を使ってローカライズする方法に触発されて、正面カメラ画像が与えられた視覚言語モデルがロボットのポーズを推測できるかどうかを問う。 我々は、Qwen2.5-VL-7BをLoRAで微調整し、連続的なポーズ座標を予測する軽量回帰ヘッドを装着する。
  論文  参考訳（メタデータ） (2026-07-01T15:37:29Z)
• MindEdit-Bench: Benchmarking Object-Level Counterfactual Spatial Reasoning in VLMs from In-the-Wild Photos [20.94052676416818]
  MindEdit-Benchは、新たに撮影された屋内シーンの3枚の写真から作られた6つの空間的推論タスクのベンチマークである。 各質問は8-24の構造化された回答選択を提供し、空間的およびフォールバックエラーの回答レターレベルの診断を可能にする。 ベンチマークでは、公開データセットから抽出されていない120のプライベート屋内シーンがカバーされている。
  論文  参考訳（メタデータ） (2026-07-01T06:19:54Z)
• DistortBench: Benchmarking Vision Language Models on Image Distortion Identification [1.1609102090344634]
  視覚言語モデル(VLM)は、低レベルの画像劣化に対する感度が重要な設定において、ますます使われている。 VLMにおける非参照歪み知覚のための診断ベンチマークであるDistortBenchを提案する。
  論文  参考訳（メタデータ） (2026-04-21T20:20:59Z)
• Where on Earth? A Vision-Language Benchmark for Probing Model Geolocation Skills Across Scales [61.03549470159347]
  視覚言語モデル (VLM) は急速に進歩しているが, オープンワールド環境における画像位置決め能力は, 網羅的に評価されていない。 我々は、視覚認識、ステップバイステップ推論、エビデンス利用を評価するVLM画像位置情報の総合ベンチマークであるEarthWhereを提示する。
  論文  参考訳（メタデータ） (2025-10-13T01:12:21Z)
• Spatial Mental Modeling from Limited Views [71.57140964322559]
  新しいMindCubeベンチマークでは、3,268枚の画像に21,154件の質問があった。 MindCubeを用いて、視覚言語モデル(VLM)がいかに堅牢な空間精神モデルを構築するかを評価する。 次に、VLMが空間的メンタルモデルに近似する3つのアプローチを探索する。
  論文  参考訳（メタデータ） (2025-06-26T16:38:19Z)
• Human Cognitive Benchmarks Reveal Foundational Visual Gaps in MLLMs [65.93003087656754]
  VisFactorは、よく確立された認知心理学評価から20の視覚中心のサブテストをデジタル化するベンチマークである。 GPT、Gemini、Claude、LLaMA、Qwen、SEEDファミリーから20のフロンティアマルチモーダル言語モデル(MLLM)を評価する。 最高のパフォーマンスモデルは100点中25.19点のスコアしか得られず、精神的な回転、空間的関係推論、図形の識別といったタスクに一貫して失敗する。
  論文  参考訳（メタデータ） (2025-02-23T04:21:32Z)
• Your Turn: At Home Turning Angle Estimation for Parkinson's Disease Severity Assessment [39.780728280324944]
  本稿では,ビデオから3Dスケルトンを抽出して回転角を自動的に定量化する深層学習手法を提案する。 我々は、24人の被験者から1386個のビデオクリップを回転させて、最先端の人間のポーズ推定モデルであるFastposeとStrided Transformerを利用する。 これは、一眼レフカメラデータを用いて、自宅のPD患者によるターンの定量化を行う最初の研究である。
  論文  参考訳（メタデータ） (2024-08-15T14:36:07Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)

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。