論文の概要: Two Clocks in Diffusion MLLMs: When Answers Stabilize Before Rationales Unfold

• arxiv url: http://arxiv.org/abs/2610.00953v1
• Date: Thu, 01 Oct 2026 02:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.852603
• Title: Two Clocks in Diffusion MLLMs: When Answers Stabilize Before Rationales Unfold
• Title（参考訳）: 拡散MLLMにおける2つのクロック: 回答が合理化前に安定化されるとき
• Abstract要約: 有理側キャンバスの89.4-98.1%は、単一ブロックのEOS圧縮LaViDa実行時の安定化のために未書き込みのままであることがわかった。 V*Benchではブロック長を128から8に減らし、89.4%から1.7%に減らした。 対称分解は、各変化のより大きな絶対成分と条件精度よりもカバレッジを関連付ける。
• 参考スコア（独自算出の注目度）: 2.7716102039510564
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An answer candidate in a masked diffusion MLLM can stabilize while its rationale is still unfolding. We distinguish retrospective stabilization of the logged candidate from token commitment, and examine these two clocks relative to rationale generation. Analyzing our results across three visual question-answering benchmarks, we find that 89.4-98.1% of the rationale-side canvas remains unwritten at stabilization in single-block, EOS-suppressed LaViDa runs. On V*Bench, reducing block length from 128 to 8 changes this fraction from 89.4% to 1.7%, together with answer coverage and the eligible observation window. Under EOS-enabled prompting, direct instructions improve Nemotron's overall accuracy by 15.0 and 19.5 percentage points on M3CoT and ScienceQA, but reduce LaViDa/V*Bench accuracy by 11.0 points. A symmetric decomposition associates the larger absolute component of each change with coverage rather than conditional accuracy. Matched-canvas image ablations measure visual sensitivity alongside answer stabilization, separating the two temporal readouts. Together, these measurements distinguish answer stabilization, rationale unfolding, and visual sensitivity, and identify coverage as the larger component of the prompting differences.
• Abstract（参考訳）: マスク拡散MLLMの解答候補は、その論理がまだ展開されている間に安定化することができる。 我々は,ログ化された候補の振り返り安定化とトークンのコミットメントを区別し,これらの2つのクロックを有理数生成と比較した。 3つの視覚的問合せベンチマークで結果を分析すると、有理側キャンバスの89.4-98.1%は、単一ブロックのEOS圧縮のLaViDa実行時の安定化時に未書き込みのままであることがわかった。 V*Benchではブロック長を128から8に減らし、89.4%から1.7%に減らした。 EOS対応のプロンプトでは、ネモトロンの全体的な精度はM3CoTとScienceQAで15.0と19.5ポイント向上するが、LaViDa/V*Benchの精度は11.0ポイント低下する。 対称分解は、各変化のより大きな絶対成分と条件精度よりもカバレッジを関連付ける。 マッチングキャンバス画像のアブレーションは、回答の安定化とともに視覚感度を測定し、2つの時間的読み出しを分離する。 これらの測定により、解答の安定化、合理的展開、視覚感度を区別し、被写体をより大きな相違点の成分として同定する。

関連論文リスト

• When Does Geometric View Synthesis Help Wine Label Retrieval? A Public One-Shot Benchmark Across Self-Supervised and Vision-Language Backbones [0.0]
  幾何学的ビュー合成は、単一のワインラベル写真をトレーニングセットに拡張することができるが、事前訓練された画像エンコーダでの価値は不明確である。 そこで本研究では,1000クラスのWineSensedをベースとした公開ベンチマーク,1クラスあたりの登録写真,4,295のリアルタイムクエリについて検討する。 初期のDINO視覚変換器(ViT-S/16)のレシピでは、幾何学的ビューはトップ-1の精度を34.1%から62.6-63.7%に上げ、2次元(2D)拡張の3倍に向上した。
  論文  参考訳（メタデータ） (2026-09-27T08:31:19Z)
• Hallucination Mitigation for Large Vision-Language Models via Implicit Feature Stabilization [11.087363456274737]
  LVLM(Large Vision-Language Models)は、画像にないオブジェクト、属性、シーンを柔軟に記述する。 この障害の一部は、その表現の計測可能な性質、特徴不安定と結びついており、ここでは、入力の温和なセマンティクス保存の摂動が、学習された埋め込みに大きな変化をもたらす。 既存の安定性をモチベーションとしたリメディエーションは、遅延ステアリングや制約付きデコーディングを通じて推論時に介入し、クエリ毎に支払いを行うという意味で明確である。 摂動不変性は、微調整中にモデル重みに組み込まれ、デプロイ時に余分に実行されるものはない。
  論文  参考訳（メタデータ） (2026-08-30T17:39:38Z)
• SMOPD: Selective Token-Entropy Masking for Dirty-History Multi-Turn On-Policy Self-Distillation [0.0]
  SMOPD(Selective Masking for On-Policy Distillation)は多ターンOPSDにおける損失のみの安定化手法である。 生成した中ターン応答ごとに、SMOPDは学生エントロピーによってトークンの位置をランク付けし、クリッピングされたジェンセン・シャノン蒸留損失から最低エントロピー20%を除去する。 この設計は、粗い軌道結果よりもトークンレベルの不確実性を目標とし、パラメータを追加せず、推論時のオーバーヘッドもゼロである。
  論文  参考訳（メタデータ） (2026-07-30T08:40:30Z)
• Visual Credit Audit for Multimodal Spatial Reasoning [70.16915309526443]
  Visual Credit Auditは、ベンチマーク画像がテキストのみとブランクコントロールよりもモデルの宣言された決定をもっとサポートするかどうか、モデルが関係性固有の視覚的エビデンスに反応するかどうかの2つの評価を分離する。 ラベルを適用すれば依存性認定正当性(D-CC)が得られる 4つのオープンMLLMと2つの空間ベンチマーク、12.73-26.25%の判定は正確であるが、証明されていない。
  論文  参考訳（メタデータ） (2026-07-29T15:55:31Z)
• Inference-Time Temporal Probability Smoothing for Stable Video Segmentation with SAM2 under Weak Prompts [0.0]
  提案するフレームワークは軽量で、モデルに依存しず、リアルタイムでインタラクティブなビデオセグメンテーションに適している。 提案手法は,フレームワイドおよび時間安定性指標の総合的セットを用いて,4つの多様な映像系列に対して評価する。
  論文  参考訳（メタデータ） (2026-04-18T19:16:22Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Same Answer, Different Representations: Hidden instability in VLMs [65.36933543377346]
  本稿では,内部埋め込みドリフト,スペクトル感度,構造的滑らかさを計測する表現認識・周波数認識評価フレームワークを提案する。 このフレームワークを,SEEDBench,MMMU,POPEデータセットを対象とする最新のビジョン言語モデル(VLM)に適用する。
  論文  参考訳（メタデータ） (2026-02-06T12:24:26Z)
• Affordance-First Decomposition for Continual Learning in Video-Language Understanding [6.496133458331798]
  Affordance-First Decomposition: ビデオは徐々に変化する価格トークンにマッピングされる。 軽量でクエリに制限のあるコンフリクト対応のスケジューラは、適応に集中し、必要な時にのみキャパシティを拡大する。 最先端プロトコル:51.6%の平均精度で、ドメインインクリメンタルなビデオQAを1.8%忘れている。
  論文  参考訳（メタデータ） (2025-11-30T02:04:39Z)
• Words Worth a Thousand Pictures: Measuring and Understanding Perceptual Variability in Text-to-Image Generation [58.77994391566484]
  W1KPは、画像の集合における可変性の人間の校正尺度である。 最高の知覚距離は、9つの基準線を最大18ポイント精度で上回る。 実際のプロンプトの56の言語的特徴を分析し、プロンプトの長さ、CLIP埋め込みノルム、具体性、単語感覚が最も変動に影響を及ぼすことを示した。
  論文  参考訳（メタデータ） (2024-06-12T17:59:27Z)

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。