論文の概要: Plan Canvas: Fixed Reasoning Regions for Continuous Language Flows

• arxiv url: http://arxiv.org/abs/2610.05815v1
• Date: Mon, 05 Oct 2026 05:11:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 04:05:12.403222
• Title: Plan Canvas: Fixed Reasoning Regions for Continuous Language Flows
• Title（参考訳）: Plan Canvas: 継続的言語フローのための固定された推論領域
• Abstract要約: トレースと回答の境界の修正にPlan Canvasを提案する。 Plan Canvasは、より長い証明を持つグラフベンチマークであるProsQAとDeep ProsQAの精度を改善する。
• 参考スコア（独自算出の注目度）: 37.842125084969815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous language flows generate text by denoising all positions of a target canvas together. The natural way to add reasoning to such a model is to write a trace ahead of the answer, but the trace length changes from question to question. The answer start is therefore unknown during denoising, and the model has to decide the trace length, the place of every trace token, and the answer at the same time. We propose Plan Canvas to fix the boundary between the trace and the answer. A plan region of fixed capacity holds a compact trace, supervised padding fills its unused positions, and the answer starts at a fixed position. The fixed regions also allow separate denoising clocks for the plan and for the answer. With the trace text, backbone, and canvas length of the free-trace baseline held fixed, Plan Canvas improves accuracy on ProsQA and on Deep ProsQA, a graph benchmark with longer proofs. On Deep ProsQA, accuracy rises from 73.0\% to 87.0\%, the share of questions answered with a valid path rises from 30.8\% to 59.1\%, and the gain is largest on the longest proofs.
• Abstract（参考訳）: 連続言語フローは、ターゲットキャンバスのすべての位置を識別することでテキストを生成する。 そのようなモデルに推論を加える自然な方法は、答えの前にトレースを記述することですが、トレースの長さは問題によって変わります。 したがって、解答開始は妄想の間は未知であり、モデルがトレースの長さ、すべてのトレーストークンの位置、そして同時に答えを決定する必要がある。 トレースと回答の境界の修正にPlan Canvasを提案する。 固定容量の計画領域は、コンパクトなトレースを保持し、教師付きパディングはその未使用位置を埋め、解答は固定位置から始まる。 固定された領域はまた、計画と回答のための別々の装飾時計を許可する。 フリートレースベースラインのトレーステキスト、バックボーン、キャンバスの長さが固定されたことにより、Plan CanvasはProsQAおよびより長い証明を持つグラフベンチマークであるDeep ProsQAの精度を向上させる。 Deep ProsQAでは、精度は73.0\%から87.0\%に上昇し、有効なパスで答えられた質問の比率は30.8\%から59.1\%に上昇し、最も長い証明では最も高い。

関連論文リスト

• Answer with Evidence: Consistency-Aware Grounded Visual Question Answering for Roadside Traffic Scenes [67.12965225696523]
  RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。 RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。
  論文  参考訳（メタデータ） (2026-10-04T14:48:54Z)
• AnswerMap: Faithful Spatial Interpretability of VLMs from Answer Posteriors [3.260444867039254]
  出力ヘッドから構築されたトレーニング不要、タスク非依存、ブラックボックスの視覚的理性であるAnswerMapを紹介する。 行と円柱の後方の積は、クエリ条件付き空間写像を与える。 2つのテストで4つのモデルと3つのクエリ分布でAnswerMapを検証する。
  論文  参考訳（メタデータ） (2026-09-28T14:17:08Z)
• CARVE: Verified Expansion for Variable-Length Generation in Diffusion Language Models [6.222236986144176]
  マスク付き拡散言語モデルは、部分的に観察された応答キャンバスからトークンを予測する。 標準的なマスク付き拡散デコーダは、厳密な推論インタフェースを使用する。 マスク拡散LMのトレーニング不要な可変長アルゴリズムであるCARVEを紹介する。
  論文  参考訳（メタデータ） (2026-08-31T15:00:30Z)
• When Prompts Become Pixels: Prompt-Region Grounding for Multimodal Reasoning [73.56343820592399]
  本稿では,視覚的タスクセマンティックス(VTS, Visualized Task Semantics)について紹介する。 6つのMLLMと4つのベンチマークで、24のモデルとタスクのペアの精度は平均17.8ポイント低下した。 本稿では,質問領域を型付きセマンティクスと整合させ,そのクリーンな表現をマスクビューから復元するプロンプト領域グラウンドを提案する。
  論文  参考訳（メタデータ） (2026-08-05T11:46:15Z)
• Surflo: Consistent 3D Surface Flow Model with Global State [57.57234680235885]
  Surfloは、方向付けられた3次元表面点を、ノイズからフローマッチングを通じて独立して表面へ輸送することでデコードする。 独立なポイント単位の復号化に固有の局所的不整合を抑制するために、光度勾配を注入することにより、推定時間誘導項が近傍の点と相関する。 Surfloは、サーフェスメトリクスのフィードフォワードベースラインにマッチし、数百のビューを必要とする最適化ベースのメソッドよりも桁違いに高速に動作し、グローバルなラテントと任意の解像度のデコーディングを組み合わせた唯一のフィードフォワードアプローチである。
  論文  参考訳（メタデータ） (2026-06-11T17:48:38Z)
• Rethinking Dense Sequential Chains: Reasoning Language Models Can Extract Answers from Sparse, Order-Shuffling Chain-of-Thoughts [51.84894623128418]
  現代の推論言語モデルは、すべてのトークンが寄与し、ステップを順番に消費しなければならないと暗黙的に仮定して、シーケンシャルな連鎖トレースを生成する。 我々は、モデル生成推論連鎖に適用した、系統的な介入パイプライン、除去、マスキング、シャッフル、ノイズ注入により、両方の仮定に挑戦する。 解答抽出は, スパース, 秩序不感, 構造的に堅牢な情報基板上で行う。
  論文  参考訳（メタデータ） (2026-05-08T06:15:50Z)
• When Does a Language Model Commit? A Finite-Answer Theory of Pre-Verbalization Commitment [6.48455847613423]
  言語モデルは最終回答を与える前に推論を生成することが多いが、可視性のある答えは、モデルの回答がいつ安定するかを明らかにしない。 我々はこの問題を、狭義の計算可能な対象である無限回答優先安定化(enmphfinite-aswer preference stabilization)を通して研究する。 モデル状態と特定解動詞化子に対しては、モデル自身の継続確率を有限解集合に投影する。 バイナリタスクでは、これは正確なlog-oddsコード、$()=S_(mathrmyesmid)-S_(mathrmnomid)が生成される。
  論文  参考訳（メタデータ） (2026-05-07T08:34:59Z)
• Thinking in Text and Images: Interleaved Vision--Language Reasoning Traces for Long-Horizon Robot Manipulation [17.396690673011328]
  ロングホライゾンのロボット操作は論理的に一貫性があり、幾何学的に接地された計画を必要とする。 タスク全体にわたってテキストサブゴールと視覚を交換するポリシーフレームワークであるInterleaved Vision-Language Reasoning(IVLR)を紹介する。 標準的なロボットデータセットにはそのようなトレースがないため、デモを時間的に分割し、各ステージを視覚言語モデルでキャプションすることで擬似スーパービジョンを構築する。
  論文  参考訳（メタデータ） (2026-05-01T06:15:43Z)
• Statistical Confidence Rescoring for Robust 3D Scene Graph Generation from Multi-View Images [56.134885746889026]
  セマンティックシーングラフ推定法は, 対象物, 述語, 関係性を正確に予測するために, 3Dアノテーションを利用する。 我々は、予測深度マップから、ノイズの多い擬似点ベース形状を克服し、マルチビュー画像の特徴に現れる背景雑音の量を削減した。 提案手法は,初期入力としてマルチビュー画像を純粋に用いた現在の手法より優れている。
  論文  参考訳（メタデータ） (2025-08-05T21:25:50Z)

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。