論文の概要: VICO: Visual Environments Co-Evolving for Vision-Language Model Reasoning

• arxiv url: http://arxiv.org/abs/2610.10782v1
• Date: Wed, 07 Oct 2026 18:39:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.633651
• Title: VICO: Visual Environments Co-Evolving for Vision-Language Model Reasoning
• Title（参考訳）: VICO:ビジョンランゲージモデル推論のためのビジュアル環境の共同開発
• Abstract要約: 検証可能な報酬付き強化学習(RLVR)は、学習後の視覚言語モデル(VLM)の標準レシピとなっている。 VLMポストトレーニングはアクターだけでなくアクターと並んで視覚環境を進化させるべきだと我々は主張する。 本研究では,アクタと環境・アズ・リライタ(EnvRewriter)を共同でトレーニングする,共同進化型フレームワークVICOを提案する。
• 参考スコア（独自算出の注目度）: 28.37495404732432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning with verifiable rewards (RLVR) has become a standard recipe for post-training vision-language models (VLMs), but it typically assumes a static training environment. As the actor improves, fixed tasks drift out of its learning frontier: many become trivial, others remain unsolvable; and the learning signal collapses. We argue that VLM post-training should evolve the visual environment alongside the actor, not just the actor itself. We propose VICO, a co-evolutionary framework in which an actor and an Environment-as-Rewriter (EnvRewriter) are trained jointly: the EnvRewriter edits verifiable image-side structures, such as scene graphs, chart tables, or protected region masks, and re-renders them to produce label-valid training samples whose difficulty is calibrated to the actor's current ability through a pass-rate-based reward. This loop continuously realigns task difficulty with actor capability without any additional human annotation. Across nine multimodal benchmarks spanning mathematical reasoning and visually grounded understanding, VICO-8B improves over its base model by up to +5.0% on out-of-domain tasks, surpasses the strongest self-evolution and text-editing co-evolution baselines by +4.3% and +8.4% respectively, and stays comparable to chart-specialized RLVR methods using 16-160 times fewer labeled samples. By shifting from human-labeled supervision to image-editing co-evolution, VICO offers a scalable path beyond static-corpus RLVR for visual reasoning.
• Abstract（参考訳）: 検証可能な報酬付き強化学習(RLVR)は、訓練後の視覚言語モデル(VLM)の標準的なレシピとなっているが、通常は静的なトレーニング環境を前提としている。 アクターが改善するにつれて、固定されたタスクは学習フロンティアから逸脱し、多くのタスクは自明になり、他のタスクは解決不可能となり、学習信号は崩壊する。 VLMポストトレーニングはアクターだけでなくアクターと並んで視覚環境を進化させるべきだと我々は主張する。 EnvRewriterは、シーングラフ、チャートテーブル、保護領域マスクなどの検証可能な画像側構造を編集し、それらを再レンダリングして、パスレートベースの報酬によってアクターの現在の能力に調整されるラベル無効なトレーニングサンプルを生成する。 このループは、追加の人間のアノテーションなしでアクター能力でタスクの難しさを継続的に認識する。 数学的な推論と視覚的な理解にまたがる9つのマルチモーダルベンチマークの中で、VICO-8Bは、ドメイン外のタスクで最大5.0%のベースモデルを改善し、最強の自己進化とテキスト編集の共進化ベースラインを+4.3%、+8.4%で上回り、ラベル付きサンプルの16-160倍の少ないグラフ特殊化RLVRメソッドに匹敵する水準を維持している。 人間のラベル付き監視からイメージ編集の共同進化に移行することで、VICOは視覚的推論のために静的コーパスRLVRを超えたスケーラブルなパスを提供する。

関連論文リスト

• Ask, Solve, Generate: Self-Evolving Unified Multimodal Understanding and Generation via Self-Consistency Rewards [52.42920996842378]
  視覚的理解と画像生成の両方をサポートするほとんどの統合された大型マルチモーダルモデル(LMM)は、訓練後の監督に頼っている。 本稿では,3つの内部的役割を持つ自己進化型トレーニングフレームワークを提案する。 視覚的質問を生成するプロポーラ, 回答と評価を行うソルバ, 画像を生成するジェネレータである。 画像生成のために,質問文の忠実度とサイクル一貫性キャプションを組み合わせたマルチスケール内部評価手法を設計する。
  論文  参考訳（メタデータ） (2026-06-25T17:59:57Z)
• OneVision-Encoder: Codec-Aligned Sparsity as a Foundational Principle for Multimodal Intelligence [113.73007911004446]
  OneVision-Encoderは、視覚構造を意味的な意味に圧縮することでビデオをエンコードする。 Codec-aligned, patch-level sparsityは基本的な原則であり、次世代のビジュアルジェネラリストのためのスケーラブルなエンジンとしてOV-Encoderを可能にする。
  論文  参考訳（メタデータ） (2026-02-09T14:06:17Z)
• In Pursuit of Pixel Supervision for Visual Pre-training [60.63095313440605]
  Pixioは、最小限の人間のキュレーションで自己キュレーション戦略を備えた、2Bのウェブクローリング画像に基づいて訓練された強化マスク付きオートエンコーダ(MAE)である。 Pixioは、単眼深度推定、フィードフォワード3D再構成、セマンティックセグメンテーション、ロボット学習など、幅広い下流タスクで競争力を発揮する。 この結果から,画素空間の自己教師型学習は有望な代替手段となり,潜在空間アプローチの補完となる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-12-17T18:59:58Z)
• Unveiling Encoder-Free Vision-Language Models [62.52803514667452]
  既存の視覚言語モデル (VLM) は主に視覚的特徴を抽出するために視覚エンコーダに依存しており、視覚言語タスクには大きな言語モデル (LLM) が続く。 エンコーダベースモデルとエンコーダフリーモデルとのギャップを橋渡しし、純粋なVLMに対するシンプルで効果的なトレーニングレシピを示す。 EVEはエンコーダなしの視覚言語モデルで、効率的にトレーニングと転送ができる。
  論文  参考訳（メタデータ） (2024-06-17T17:59:44Z)
• TVTSv2: Learning Out-of-the-box Spatiotemporal Visual Representations at Scale [59.01246141215051]
  言語指導の観点から,その劣化要因を分析した。 本稿では,テキストエンコーダの一般化能力を維持するために,教師なし事前学習戦略を提案する。 最大10億のパラメータを持つTVTSv2と呼ばれる一連のモデルを作成します。
  論文  参考訳（メタデータ） (2023-05-23T15:44:56Z)
• Efficient Vision-Language Pretraining with Visual Concepts and Hierarchical Alignment [40.677139679304936]
  a)新しい階層的相互アライメント損失、(b)マスク画像モデリングに基づく新たな自己教師型スキーム、(c)画像レベルのアノテーションを活用することにより、入力データを効率的に活用して学習を促進する新しいフレームワーク、ViCHAを提案する。 事前トレーニングは4倍少ないが、私たちのViCHA戦略は、Image-Text Retrieval、VQA、Visual Reasoning、Visual Entailment、Visual Groundingなど、いくつかの下流タスクにおいて、他のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-08-29T14:24:08Z)
• Contrastive Visual-Linguistic Pretraining [48.88553854384866]
  コントラスト的視覚言語事前学習は、コントラスト的学習に基づいて構築された視覚的自己監督的損失を構成する。 VQA, GQA, NLVR2などの下流タスクで評価した。
  論文  参考訳（メタデータ） (2020-07-26T14:26:18Z)

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。