論文の概要: From Reasoning Failures to Composable Video Spatial Intelligence
- arxiv url: http://arxiv.org/abs/2610.01999v1
- Date: Thu, 01 Oct 2026 16:31:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.286296
- Title: From Reasoning Failures to Composable Video Spatial Intelligence
- Title（参考訳）: 推論失敗から構成可能なビデオ空間知能へ
- Abstract要約: 我々は,映像空間推論を支援するために,利用可能な証拠の上に機能する,型付き幾何演算子と空間スキルのトレーニングフリーライブラリを開発した。
これらの利点は、空間的慣行の明示的なハンドリングが、追加のトレーニングなしで体系的な推論失敗を修復できることを証明している。
- 参考スコア（独自算出の注目度）: 53.31188726177487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatial reasoning benchmarks evaluate vision-language models across diverse tasks, but task-level scores do not reveal which underlying capabilities account for success or failure. Each task requires recovering spatial evidence, representing geometry, and reasoning over it. We disentangle these capabilities by comparing predicted and ground-truth spatial context under a shared schema and coordinate contract. This comparison reveals four recurring sources of error: inaccurate perception, missing information in the spatial context, selection of the wrong measurement, and errors in reference frames or in tracking position and orientation. Guided by this diagnosis, we develop CROSS, a training-free library of typed geometric operators and spatial skills that function over available evidence to support reliable video spatial reasoning. The resulting library supplies verified context to non-coding VLMs or callable skills to a SpatialClaw agent. We evaluate \methodname{} on five benchmarks. \methodname{} raises the average score from 55.9\% to 60.2\% on ReVSI and improves the SpatialClaw result from 62.8\% to 66.3\% on DSI-Bench. These gains demonstrate that explicit handling of spatial conventions can repair systematic reasoning failures without additional training.
- Abstract（参考訳）: 空間推論ベンチマークは、様々なタスクにわたる視覚言語モデルを評価するが、タスクレベルのスコアは、どの能力が成功または失敗の原因であるかを明らかにしない。
それぞれのタスクには、空間的証拠の復元、幾何学の表現、それに対する推論が必要である。
共有スキーマとコーディネート契約の下で,予測された空間的コンテキストと基底的空間的コンテキストを比較して,これらの機能を解体する。
この比較では、不正確な知覚、空間的文脈における情報の欠如、間違った測定方法の選択、参照フレームにおける誤り、位置と方向の追跡の4つの繰り返し発生源を明らかにした。
この診断に導かれたCROSSは,映像空間推論の信頼性を支援するために,利用可能なエビデンスを越えて機能する,型付き幾何演算子と空間スキルのトレーニング不要ライブラリである。
結果として得られたライブラリは、SpatialClawエージェントに非コーディングのVLMや呼び出し可能なスキルに検証済みのコンテキストを提供する。
5つのベンチマークで‘methodname{}’を評価する。
\methodname{} は平均スコアを ReVSI で 55.9\% から 60.2\% に引き上げ、SpatialClaw の結果を DSI-Bench で 62.8\% から 66.3\% に改善する。
これらの利点は、空間的慣行の明示的なハンドリングが、追加のトレーニングなしで体系的な推論失敗を修復できることを証明している。
関連論文リスト
- CaSKG: Counterfactual-Causal Skill Graphs for Scalable Agent Skill Retrieval [20.44841712209369]
CaSKGは、検索前に手続き関係を校正するスキルグラフフレームワークである。
モデルとベンチマークの12つの組み合わせの中で、最も高いタスクスコアを達成します。
論文 参考訳（メタデータ） (2026-08-26T08:12:41Z) - TRACE: TRajectory Attribution for Automated Context Engineering [2.332848751256598]
本稿では,履歴エージェントのトラジェクトリをマイニングし,コンテキスト障害の診断と修正を行う自動フィードバックループTRACEを提案する。
モデルファインチューニングとは異なり、TRACEはコンテキスト層上で動作し、再トレーニングせずに迅速なイテレーションを可能にする。
3つの複雑性レベルにまたがる60の不満トレースでは、TRACEは72.7%の根本原因属性と82%のエンドツーエンドの修正効率を達成する。
論文 参考訳（メタデータ） (2026-08-10T06:01:03Z) - Trace, Verify, and Correct: A Training-Free Framework for Spatial Reasoning in Multimodal LLMs [11.359645786865359]
空間的推論の検証と修正のためのモジュラーおよびトレーニング不要なフレームワークを提案する。
このフレームワークは、Chain-of-Thought推論から抽出された原子空間的証拠と、視覚的実体、空間的関係、ソースステップ、および視覚的証拠とを関連付ける。
15のモデルデータセット設定で平均68.94%の精度を達成し、比較基準線を8.55ポイント上回った。
論文 参考訳（メタデータ） (2026-08-05T12:26:23Z) - Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。
コードには手書きのコードはなく、人間による注釈もない。
エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
論文 参考訳（メタデータ） (2026-07-17T17:41:16Z) - RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。
RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。
RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
論文 参考訳（メタデータ） (2026-05-25T06:26:43Z) - VIRO: Robust and Efficient Neuro-Symbolic Reasoning with Verification for Referring Expression Comprehension [51.76841625486355]
Referring Expression (REC) は、自然言語クエリに対応する画像領域をローカライズすることを目的としている。
最近のニューロシンボリックRECアプローチは、大規模言語モデル(LLM)と視覚言語モデル(VLM)を利用して構成推論を行う。
推論ステップ内に軽量な演算子レベルの検証器を組み込む,ニューロシンボリックなフレームワークであるVIROを紹介する。
論文 参考訳（メタデータ） (2026-01-19T07:21:19Z) - Stuck in the Matrix: Probing Spatial Reasoning in Large Language Models [0.0]
本稿では,大言語モデル(LLM)のテキスト入力に対する空間的推論能力について検討する。
これらのモデルは, グリッド型環境下での空間的推論と多段階問題の解法の両方で検証された。
論文 参考訳（メタデータ） (2025-10-23T04:32:46Z) - Telling Left from Right: Identifying Geometry-Aware Semantic Correspondence [80.6840060272386]
本稿では,意味的対応のための幾何学的認識の重要性を明らかにする。
この情報を活用することで,意味的対応性能が著しく向上することを示す。
提案手法は,SPair-71kデータセット上で,65.4(ゼロショット)と85.6(教師)のPCK@0.10スコアを達成する。
論文 参考訳（メタデータ） (2023-11-28T18:45:13Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - Machine Learning for Exploring Spatial Affordance Patterns [0.6091702876917279]
この論文では、オフィスフロアプランの分析に教師付きおよび教師なしのデータマイニング技術を用いている。
幾何学と関数の関係をよりよく理解することを目的としている。
論文 参考訳（メタデータ） (2020-05-16T21:12:06Z)
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。