論文の概要: Flow-of-Thought: A Framework for Visual Reasoning
- arxiv url: http://arxiv.org/abs/2610.09746v1
- Date: Wed, 07 Oct 2026 09:37:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.834241
- Title: Flow-of-Thought: A Framework for Visual Reasoning
- Title（参考訳）: Flow-of-Thought:ビジュアル推論のためのフレームワーク
- Abstract要約: Flow-of-Thought (FoT)は、ビジュアルスケッチの生成を中間的推論ステップとして統合するフレームワークである。
FoTはテトリスでは100.0%、色調では99.0%に達する。
- 参考スコア（独自算出の注目度）: 2.298932494750101
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mental imagery, ``seeing with the mind's eye'' is an essential aspect of human cognition. Despite rapid progress Large Language Models (LLMs) and Vision Transformers (ViTs) still underperform on tasks requiring spatial understanding. To address this, we introduce Flow-of-Thought (FoT), a framework that integrates the generation of visual sketches as intermediate reasoning steps, mimicking mental imagery in humans. We train coordinate-aware trajectory flow fields on $SO(2)$ group orbits and cumulative shortest paths, then freeze the learned dynamics; same vs. different decisions compare competing generative hypotheses using foreground-weighted reconstruction energy. On locked tests FoT reaches 100.0% accuracy on Tetris and 99.0% on colored shapes. Under frozen transfer, the orbit-trained 2D flow improves over its endpoint-only control on BLINK Multi-view (72.2% vs. 63.9% on 133 public validation pairs), supporting continuous visual traces as an effective and interpretable representation for spatial reasoning in some out-of-distribution settings.
- Abstract（参考訳）: 「心の目で見る」という精神イメージは、人間の認知の本質的な側面である。
急速な進歩にもかかわらず、Large Language Models (LLM) と Vision Transformer (ViT) は、空間的理解を必要とするタスクではまだ性能が劣っている。
これを解決するために、人間の心像を模倣した中間的推論ステップとして視覚スケッチの生成を統合するフレームワークであるFlow-of-Thought(FoT)を紹介した。
我々は、SO(2)$の群軌道と累積的最短経路上で座標を意識した軌道場を訓練し、学習力学を凍結する。
ロックテストでは、FoTはテトリスでは100.0%、色調では99.0%に達する。
凍結移動下では、軌道訓練された2Dフローは、BLINK Multi-view上のエンドポイントのみの制御(133のパブリック検証ペアで72.2%対63.9%)を改善し、空間的推論の効果的な解釈可能な表現として連続的な視覚的トレースをサポートする。
関連論文リスト
- Bridging Modal Isolation in Interleaved Thinking: Supervising Modality Transitions via Stepwise Reinforcement [36.14355710197341]
インターリーブド思考では、統一マルチモーダルモデルはテキスト推論と視覚生成を交互に行う。
この移行を直接最適化する2段階のトレーニングフレームワークであるMoTiFを提案する。
MoTiFのすべてのトレーニング信号は、エンドタスクの精度よりも遷移レベルの忠実さから導かれる。
論文 参考訳（メタデータ） (2026-06-11T04:29:39Z) - Look Less, Reason More: Block-wise Attention Skipping for Efficient Multimodal LLMs [89.7106332677868]
意味進化から空間的相互作用を分離する学習自由推論パラダイムであるVisual-Skipを提案する。
V-Skipは、ブロックワイドの空間性を達成するために、冗長な視覚的注意を効果的に回避し、様々なMLLM間で94.16%から100.31%のパフォーマンス維持を維持している。
論文 参考訳（メタデータ） (2026-06-07T08:32:13Z) - A Shared Valence Axis Across Modern LLMs and Human EEG: The Saturation Regularity [45.39795199208249]
大規模言語モデル(LLM)は、人間の認知と内部的特徴がますます一致している強力な表現学習者として登場した。
我々は、現代のLLMが人間の脳内の神経表現を理解するためのレンズとして機能するかどうかを考察する。
論文 参考訳（メタデータ） (2026-05-28T19:42:10Z) - LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。
そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。
R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
論文 参考訳（メタデータ） (2026-03-31T02:21:59Z) - MentalBlackboard: Evaluating Spatial Visualization via Mathematical Transformations [33.000090283250934]
我々はPaper Folding と Hole Punching テストのためのオープンな空間可視化ベンチマークである MentalBlackboard を開発した。
予測実験により、モデルが対称変換を適用するのに苦労していることが分かる。
計画課題は、対称関係の分析や多段階対称性プロセスの実装におけるモデルの限界を明らかにする。
論文 参考訳（メタデータ） (2026-02-22T22:05:11Z) - TACIT: Transformation-Aware Capturing of Implicit Thought [0.0]
視覚的推論を解釈するための拡散型変換器TACITを提案する。
言語ベースの推論システムとは異なり、TACITは修正フローを使用して完全にピクセル空間で動作する。
迷路解法では,未解決迷路の画像を解に変換するモデルを学習する。
論文 参考訳（メタデータ） (2026-02-05T11:14:12Z) - Spatial Mental Modeling from Limited Views [71.57140964322559]
新しいMindCubeベンチマークでは、3,268枚の画像に21,154件の質問があった。
MindCubeを用いて、視覚言語モデル(VLM)がいかに堅牢な空間精神モデルを構築するかを評価する。
次に、VLMが空間的メンタルモデルに近似する3つのアプローチを探索する。
論文 参考訳（メタデータ） (2025-06-26T16:38:19Z) - Visual Agents as Fast and Slow Thinkers [88.1404921693082]
本稿では、Fast and Slow Thinking機構を視覚エージェントに組み込んだFaSTを紹介する。
FaSTは、システム1/2モード間の動的選択にスイッチアダプタを使用する。
モデルの信頼性を調整し、新しいコンテキストデータを統合することで、不確実で目に見えないオブジェクトに取り組む。
論文 参考訳（メタデータ） (2024-08-16T17:44:02Z)
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。