論文の概要: Humanity's Sixth Sense: Benchmarking Intuitive Visual Reasoning in Multimodal Models

• arxiv url: http://arxiv.org/abs/2610.08966v1
• Date: Tue, 06 Oct 2026 18:31:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.555222
• Title: Humanity's Sixth Sense: Benchmarking Intuitive Visual Reasoning in Multimodal Models
• Title（参考訳）: Humanityの6番目のセンス:マルチモーダルモデルにおける直観的視覚推論のベンチマーク
• Abstract要約: 直感的な視覚的推論のためのベンチマークであるHumanity's Sixth Senseを紹介する。 HSSは多様な画像やビデオの入力にまたがり、構造化された分類の下でアイテムを整理し、それぞれが人書きのプロンプトとペアリングする。 HSSは直感的な視覚的推論を測定可能な軸として確立し、現在のベンチマークでのスケーリング能力に注意を向けています。
• 参考スコア（独自算出の注目度）: 38.45737342095386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humans perceive far more in a scene than what is explicitly depicted: a single glance captures past causes and future trajectories; a quick peek determines if a vehicle can fit between two parked cars; a few seconds of video reveals who holds authority in a room; and a fleeting clip highlights subtle abstract patterns like unwritten rules or hidden labels. This capacity reflects a form of humanity's sixth sense: an intuitive reasoning mechanism that recovers implicit information beyond raw sensory perception. Crucially, this rapid, zero-shot visual intuition underpins everyday navigation and social interaction, making it a vital capability for Multimodal Large Language Models (MLLMs) deployed alongside people. Existing visual benchmarks, however, target either deliberate expert-level analysis in academic and mathematical domains or low-level perception, leaving the intuitive reasoning that people perform largely untested. To bridge this gap, we introduce Humanity's Sixth Sense (HSS), a benchmark for intuitive visual reasoning. HSS spans diverse image and video inputs, organizes items under a structured taxonomy, and pairs each with human-written prompts probing the implicit temporal, spatial, social, and abstract structure that people infer at a glance. Frontier MLLMs fall short of human performance: participants reach 93.1% accuracy, while the strongest model, GPT-6-astra, reaches only 53.6% even at maximum reasoning effort. Despite excelling in many complex tasks that require advanced perception and knowledge, current models still struggle significantly on these visual tasks that are intuitive for humans. We further explore agentic setup that apply dynamic visual manipulation to HSS, which narrows but does not close the gap. HSS establishes intuitive visual reasoning as a measurable axis and directs attention to a capability that scaling on current benchmarks has so far left behind.
• Abstract（参考訳）: ひと目で過去の原因や将来の軌跡を捉えたり、車が駐車した2台の車に収まるかどうかをクイック・ピークで判断したり、数秒の動画で部屋の権限を誰が持つかが分かるり、あるいは、無筆のルールや隠されたラベルのような微妙な抽象的なパターンをハイライトしたり。 この能力は人類の6番目の感覚を反映しており、生の知覚以上の暗黙の情報を復元する直感的な推論機構である。 重要なのは、この迅速でゼロショットの視覚的な直感は、日常のナビゲーションと社会的相互作用を支えているため、MLLM(Multimodal Large Language Models)が人々と一緒に展開する上で重要な機能である。 しかし、既存のビジュアルベンチマークは、学術や数学の分野における故意のエキスパートレベルの分析や低レベルの認識をターゲットとしており、人々がほとんどテストされていないという直感的な理由を残している。 このギャップを埋めるために、直感的な視覚的推論のためのベンチマークであるHumanity's Sixth Sense (HSS)を紹介する。 HSSは多様な画像やビデオの入力にまたがり、構造化された分類の下でアイテムを整理し、それぞれが暗黙の時間的、空間的、社会的、抽象的な構造を示す人書きのプロンプトとペアリングする。 最強のモデルであるGPT-6-astraは最大推理でも53.6%にしか達していない。 高度な知覚と知識を必要とする多くの複雑なタスクに優れていますが、現在のモデルは人間にとって直感的なこれらの視覚的なタスクにかなり苦労しています。 さらに, HSS に動的視覚操作を適用し, ギャップを狭めるが, ギャップを埋めないエージェント構成についても検討する。 HSSは直感的な視覚的推論を測定可能な軸として確立し、現在のベンチマークでのスケーリング能力に注意を向けています。

関連論文リスト

• HUG-VIS: A Multimodal Benchmark for Human-centered Understanding and Generation in Visual Intelligence [82.1284258781622]
  視覚知能は、視覚世界を理解し、解釈し、合成しようとする。 HUG-VISは、ビジュアルインテリジェンスにおける人間中心の理解と生成のための統一されたベンチマークである。
  論文  参考訳（メタデータ） (2026-08-27T01:43:47Z)
• Mind's Eye: A Benchmark of Visual Abstraction, Transformation and Composition for Multimodal LLMs [31.411469692692766]
  我々は,古典的な人間の知能テストに触発された8つの視覚認知タスクのベンチマークである"Mind's Eye"を紹介する。 タスクは、パターン誘導、アナログ関係マッピング、メンタルトランスフォーメーションなどの流体インテリジェンスのコアプロセスを探索する。 人間は80%の精度を達成し、トップパフォーマンスのMLLMは50%以下にとどまる。
  論文  参考訳（メタデータ） (2026-04-17T13:29:46Z)
• Learning Situated Awareness in the Real World [63.75211123289058]
  SAW-Benchは、実世界のビデオを用いて自我中心的な位置認識を評価するための新しいベンチマークである。 6つの異なる認識タスクでモデルのオブザーバ中心の理解を探索する。 我々の総合評価では、最高のMFMであるGemini 3 Flashでさえ、人間モデルのパフォーマンスギャップは37.66%である。
  論文  参考訳（メタデータ） (2026-02-18T18:22:52Z)
• Spot The Ball: A Benchmark for Visual Social Inference [3.54631941020091]
  人間は視覚的な社会的推論、微妙な行動の手がかりから隠れた要素を推測する能力に優れています。 この能力は、人間の日常的な社会的推論を促進し、より人間的なAIエージェントの開発に不可欠である。 視覚言語モデルにおける視覚的社会的推論を評価するための挑戦的なベンチマークであるSpot The Ballを紹介する。
  論文  参考訳（メタデータ） (2025-10-31T21:20:46Z)
• Bridging the behavior-neural gap: A multimodal AI reveals the brain's geometry of emotion more accurately than human self-reports [18.336392633341493]
  大規模な類似性判定は、脳の感情幾何学をより忠実に捉えることができることを示す。 MLLMは、リッチで神経に適応した感情表現を自律的に開発できるという、説得力のある証拠を提供する。
  論文  参考訳（メタデータ） (2025-09-29T05:22:33Z)
• HIS-GPT: Towards 3D Human-In-Scene Multimodal Understanding [57.763735969891286]
  具体的エージェントに対するヒューマン・イン・シーン・サーチ・アンサーリング(HIS-QA)のためのヒューマン・イン・シーン・理解のベンチマークのための新しいタスクを提案する。 HIS-QAは、エージェントが人間の状態や行動を理解し、周囲の環境を判断し、シーン内の人間関連の質問に答えることを要求する。 広帯域でのHIS理解を体系的に評価するマルチモーダル・ベンチマークであるHIS-Benchを提案する。
  論文  参考訳（メタデータ） (2025-03-17T09:10:50Z)
• Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
  Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。 提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
  論文  参考訳（メタデータ） (2023-12-26T18:56:49Z)
• Neural feels with neural fields: Visuo-tactile perception for in-hand manipulation [57.60490773016364]
  マルチフィンガーハンドの視覚と触覚を組み合わせることで,手動操作時の物体の姿勢と形状を推定する。 提案手法であるNeuralFeelsは,ニューラルネットワークをオンラインで学習することでオブジェクトの形状を符号化し,ポーズグラフ問題を最適化して共同で追跡する。 私たちの結果は、タッチが少なくとも、洗練され、そして最も最良のものは、手動操作中に視覚的推定を曖昧にすることを示しています。
  論文  参考訳（メタデータ） (2023-12-20T22:36:37Z)

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。