論文の概要: What Do Verifiable Rewards Teach Video-Language Models About Time? A Controlled Multi-Model Study
- arxiv url: http://arxiv.org/abs/2610.03792v1
- Date: Wed, 30 Sep 2026 21:42:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 05:13:52.148128
- Title: What Do Verifiable Rewards Teach Video-Language Models About Time? A Controlled Multi-Model Study
- Title（参考訳）: 時間に関するビデオ言語モデルを教えるために, 検証可能なリワードは何か? : マルチモデルによる研究
- Abstract要約: 検証可能な報酬(RLVR)からの強化学習は、言語モデルにおいて大きな理由付けを生んでいる。
我々は、RLVRが時間についてビデオ教師付きモデルに何を教えるかを研究する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reinforcement learning from verifiable rewards (RLVR) has produced large reasoning gains in language models, and verifiable video benchmarks make it applicable to causal-temporal video question answering. We study what RLVR teaches video-language models about time. We fine-tune four open models (Qwen3-VL-8B/4B, Qwen2.5-VL-7B, Gemma-3-12B) with group relative policy optimization under three data recipes: verified (synthetic CLEVRER questions with exact answer and event-order rewards), unverified (self-supervised pretext tasks over 43,751 real web videos), and a 1:1 mixture, plus a verified+real arm that adds 4,000 verifiable questions on real video. Each cell is evaluated in-domain and on out-of-domain real video (a NExT-QA temporal stress set and an MVBench subset), with frames in order, shuffled, and absent. (1) Verified training yields large in-domain gains that shrink as base competence grows (+14 to +19 points on weaker models; +6 on the strongest). (2) Much of the gain is non-visual: accuracy with no frames rises nearly as much as with frames. (3) Verified-only training can severely degrade out-of-domain accuracy with no sign during training: Qwen3-VL-8B loses 26.7 and 25.2 points on the two real-video sets, while the mixture never significantly degrades a model trained on it. Adding real verified questions removes that loss (-2.3 points, within noise of base) and keeps a +9.3 in-domain gain, so the cause is narrow synthetic-only data, not verification. (4) No recipe induces temporal-order grounding: across 41 evaluations the ordered-versus-shuffled gap is indistinguishable from zero in 39 and marginal in two, despite an event-order reward. Verifiable rewards improve benchmark accuracy without temporal understanding. Report no-frame controls, and mix in real video to guard against out-of-domain degradation.
- Abstract（参考訳）: 検証可能な報酬(RLVR)からの強化学習は言語モデルに大きな理由付けをもたらし、検証可能なビデオベンチマークは因果的時間的ビデオ質問応答に適用できる。
我々はRLVRが時間についてビデオ言語モデルに何を教えるかを研究する。
4つのオープンモデル(Qwen3-VL-8B/4B、Qwen2.5-VL-7B、Gemma-3-12B)を3つのデータレシピに基づいてグループ相対的なポリシー最適化により微調整する。
各セルはドメイン内およびドメイン外の実ビデオ(NExT-QA時間的ストレスセットとMVBenchサブセット)で、フレームの順序、シャッフル、欠落で評価される。
1) 検証されたトレーニングは、ベース能力の増大に伴って縮小する大きなドメイン内ゲインをもたらす(より弱いモデルでは+14から+19、最も強いモデルでは+6)。
2) フレームのない精度はフレームとほぼ同等に上昇する。
3) 検証済みのトレーニングでは、トレーニング中にサインなしでドメイン外の精度を著しく低下させることができる: Qwen3-VL-8Bは2つの実ビデオセットで26.7と25.2のポイントを失う。
真に検証された質問を加えると、その損失(2.3ポイント、ベースノイズ内)を除去し、ドメイン内ゲインを+9.3に維持する。
(4) レシピが時間次接地を誘導することはなく, 41点中41点中41点中39点がゼロ, 2点が限界であった。
検証可能な報酬は、時間的理解なしにベンチマーク精度を向上させる。
非フレームコントロールを報告し、実際のビデオをミックスして、ドメイン外の劣化を防ぐ。
関連論文リスト
- TimeLens2: Generalist Video Temporal Grounding with Multimodal LLMs [36.2604844032041]
ビデオマルチモーダル大言語モデル(MLLM)は、ビデオ内で何が起こるかを記述することができるが、支持された証拠がいつ発生したかを特定することは滅多にない。
本研究では,ビデオの長さ,領域,クエリフォーム,視点をまたいだエビデンス間隔の変動心電図を1つのモデルで予測する一般的なビデオ時間的グラウンドについて検討する。
TimeLens2は、時間的エビデンスを、監督と最適化を通じて設定されたインターバルとして扱う。
論文 参考訳（メタデータ） (2026-07-19T22:04:33Z) - Evidence-Backed Video Question Answering [90.93225758130426]
既存の説明可能性の取り組みは、テキストの合理性やまばらなバウンディングボックスに依存している。
E-VQA(Evidence-Backed Video Question Answering)を提案する。
これをサポートするために,識別的および生成的画素レベルのグラウンド化のための最初の人為的検証ベンチマークST-Evidenceを導入する。
論文 参考訳（メタデータ） (2026-07-13T17:49:10Z) - SER: Learning to Ground Video Reasoning with Semantic Evidence Rewards [8.705689021755221]
制約されたタスクとしてRLを改革するためのセマンティックエビデンス・リワード(SER)を提案する。
ピクセルレベルのアノテーションを計算する代わりに、SERはVLMを拡張したレフェリーを使用してモデル生成のエビデンスのクレームを評価する。
VLMベンチマークでは、SERは49.6%を獲得し、強いエビデンスベースラインよりも3.0ポイント向上した。
論文 参考訳（メタデータ） (2026-06-23T15:50:33Z) - TLG: Temporal-Logic Grounding for Video Question Answering via Source-Annotation Reconstruction and Category-Targeted Reasoning [0.0]
TimeLogic Challengeはビデオ上での時間的論理的推論を評価する。
エンド・ツー・エンドのビデオ言語モデル(VLM)は、動画をフレームの袋として扱い、アクションの発生時にローカライズできないため、このタスクでほぼチャンスを逃す。
TLG(Temporal-Logic Grounding)は、ベンチマークが生成した公開ソースデータセットアノテーションから、各ビデオのアクションタイムラインを再構築する3層システムである。
論文 参考訳（メタデータ） (2026-06-01T02:40:25Z) - Perception First: A Frontier Native-Video Model with Self-Consistency for Implicit Video Question Answering [0.0]
emphImplicitQA / emphVRR-QA benchmarkciteimplicitqa上に構築されたVRR Challenge @ CVPR 2026について説明する。
私たちの中心的な発見は、このベンチマークが推論バウンドではなく、認識バウンドであることです。
論文 参考訳（メタデータ） (2026-05-31T23:00:17Z) - VideoZeroBench: Probing the Limits of Video MLLMs with Spatio-Temporal Evidence Verification [73.02304272829785]
VideoBenchは、証拠を厳格に検証する長ビデオ応答のための階層的なベンチマークだ。
これは、13のドメインに500の注釈付き質問を手動で記述し、時間間隔と空間境界ボックスを組み合わせて証拠とする。
GeminiPro-3-Proでさえ、標準のエンドツーエンドのQA設定で17%未満の質問に正しく答えている。
その結果,表面レベルでの回答の正しさと真正な証拠に基づく推論との間に大きなギャップが生じた。
論文 参考訳（メタデータ） (2026-04-02T03:29:43Z) - Open-o3 Video: Grounded Video Reasoning with Explicit Spatio-Temporal Evidence [70.2803680525165]
我々は、明示的な証拠をビデオ推論に統合する非エージェントフレームワークであるOpen-o3 Videoを紹介した。
このモデルは、キーオブジェクトとバウンディングボックスをその答えとともに強調し、推論を具体的な視覚的な観察で基礎付けることができる。
V-STARベンチマークでは、Open-o3 Videoは最先端のパフォーマンスを達成し、mAMを14.4%、mLタイムスタンプを24.2%向上させた。
論文 参考訳（メタデータ） (2025-10-23T14:05:56Z) - Video SimpleQA: Towards Factuality Evaluation in Large Video Language Models [77.96693360763925]
Video SimpleQAは、ビデオコンテキストにおける事実性評価に適した最初の包括的なベンチマークである。
我々の研究は、既存のビデオベンチマークとは以下の重要な特徴によって異なる: 知識: ビデオの明示的な物語を超えた外部知識の統合を要求する。
短い形式の決定的な答え: 回答は、最小のスコアリング分散を持つ短いフォーマットで、曖昧で決定的に正しいものとして作成されます。
論文 参考訳（メタデータ） (2025-03-24T17:46:09Z) - TemporalBench: Benchmarking Fine-grained Temporal Understanding for Multimodal Video Models [75.42002690128486]
TemporalBenchは、ビデオの微細な時間的理解を評価するための新しいベンチマークだ。
ビデオクリップの時間的ダイナミクスを詳述した2Kの高品質な人間のアノテーションから派生した10KのビデオQ&Aペアで構成されている。
GPT-4oのような最先端のモデルは、TemporalBench上で38.5%の質問応答精度しか達成していない。
論文 参考訳（メタデータ） (2024-10-14T17:59:58Z)
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。