論文の概要: SWEAR: Section-Wise Efficient Audio Reasoning via Self-Rated Difficulty

• arxiv url: http://arxiv.org/abs/2610.13081v1
• Date: Fri, 09 Oct 2026 06:36:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.431231
• Title: SWEAR: Section-Wise Efficient Audio Reasoning via Self-Rated Difficulty
• Title（参考訳）: SWEAR:Self-Rated Difficultyによるセクションワイズ高能率オーディオ推論
• Abstract要約: 本稿では,教師付き微調整中の難易度を学習する難易度を考慮した推論フレームワークSWEARを提案する。 MMAU-test-mini と MMAR の実験により、SWEAR は生成トークンを大幅に削減しながら精度を向上することを示した。
• 参考スコア（独自算出の注目度）: 48.67493850129358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work on large audio-language models (LALMs) explores adaptive reasoning to balance accuracy and efficiency. However, existing approaches often rely on coarse-grained difficulty estimation, overlooking the diverse factors that determine reasoning effort. We address this limitation by deriving five-dimensional difficulty scores and compressed reasoning traces from complementary offline assessments. Based on this characterization, we propose SWEAR, a difficulty-aware reasoning framework that learns difficulty signals during supervised fine-tuning and uses reinforcement learning to adapt reasoning allocation across reasoning stages. Experiments on MMAU-test-mini and MMAR show that SWEAR improves accuracy while substantially reducing generated tokens, shortening reasoning for easy instances without sacrificing performance on difficult ones.
• Abstract（参考訳）: 大規模音声言語モデル(LALM)の最近の研究は、精度と効率のバランスをとるための適応推論を探求している。 しかし、既存のアプローチは、しばしば大まかな難易度推定に頼り、推論の努力を決定する様々な要因を見下ろしている。 この制限には、5次元の難易度スコアと、補完的なオフライン評価から圧縮された推論トレースを導出することで対処する。 この特徴に基づくSWEARは、教師付き微調整中の難易度信号を学習し、強化学習を用いて推論段階をまたいだ推論アロケーションを適応する難易度を考慮した推論フレームワークである。 MMAU-test-mini と MMAR の実験では、SWEAR は生成トークンを大幅に削減し、困難なトークンのパフォーマンスを犠牲にすることなく、簡単なインスタンスの推論を短縮する。

関連論文リスト

• DARE: Difficulty-Adaptive Reinforcement Learning with Co-Evolved Difficulty Estimation [45.9370934377402]
  強化学習は、大きな言語モデルの推論能力を改善するが、コストがかかり、サンプル非効率である。 我々は,自己正規化重要度サンプリングを通じて,政策と難易度推定を共進化させるフレームワーク**Dare*を提案する。 複数のモデルやドメインにわたる実験では、**Dare**はトレーニング効率、最終的な有効性、推論効率において、既存のメソッドよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-05-09T22:05:59Z)
• When Scaling Fails: Mitigating Audio Perception Decay of LALMs via Multi-Step Perception-Aware Reasoning [49.28390630057018]
  構造化推論軌道のポストトレーニングモデルは、直接応答のポストトレーニングと比較して、限界あるいは負の利得をもたらす。 MPAR$2$は、動的知覚的推論を奨励し、複雑な質問を知覚に富んだサブプロブレムに分解するパラダイムである。
  論文  参考訳（メタデータ） (2026-02-28T12:54:51Z)
• DART: Difficulty-Adaptive Reasoning Truncation for Efficient Large Language Models [36.962276192354174]
  textbfDARTは、問題の難易度に応じて思考長を調整する。 textbfTruncationフレームワークは、いつ考えるのをやめるかを学ぶ
  論文  参考訳（メタデータ） (2025-11-03T02:41:20Z)
• Incentivizing Consistent, Effective and Scalable Reasoning Capability in Audio LLMs via Reasoning Process Rewards [24.40159537923851]
  音声大言語モデルにおけるロバストでスケーラブルな推論法を開発するための原理的手法を開発した。 MMAU 2.5 Pro と GPT-4o Audio をほぼ上回り、MMSU の推論タスクにおけるほぼ人間レベルの性能を向上する。
  論文  参考訳（メタデータ） (2025-10-23T06:18:10Z)
• MixReasoning: Switching Modes to Think [79.70845484191543]
  推論モデルは、ステップバイステップで問題に取り組むことでパフォーマンスを向上させる。 あらゆるステップに拡張推論を適用することは、かなりの冗長性をもたらす。 一つの応答内で推論の深さを動的に調整するフレームワークであるMixReasoningを提案する。
  論文  参考訳（メタデータ） (2025-10-07T15:46:34Z)
• From Long to Short: LLMs Excel at Trimming Own Reasoning Chains [48.692414597960244]
  O1/R1スタイルの大推論モデル(LRM)は、従来の命令追従 LLM よりも大幅に進歩している。 近年の研究では、LEMは過剰思考に苦しむ傾向があることが示されている。 本研究では,LRMを効率よく誘導し,テスト時に最も短い正しい推論経路を特定するテスト時間スケーリング手法EDITを提案する。
  論文  参考訳（メタデータ） (2025-09-07T19:00:44Z)
• Less is More Tokens: Efficient Math Reasoning via Difficulty-Aware Chain-of-Thought Distillation [82.2288581878096]
  本稿では,問題複雑性に基づいてモデルに推論深度を動的に調整する難易度推論の枠組みを提案する。 モデルにそのような動的推論経路を与えることができ、アーキテクチャ上の変更を加えることなく実現可能であることを示す。
  論文  参考訳（メタデータ） (2025-09-05T16:40:13Z)
• PATS: Process-Level Adaptive Thinking Mode Switching [53.53401063490537]
  現在の大言語モデル(LLM)は、通常、難易度に関わらず、すべての質問に対して、単純または複雑に固定された推論戦略を採用する。 このようなタスクと推論プロセスの複雑さの変化の無視は、パフォーマンスと効率のバランスを損なう。 既存の手法では, 難易度が異なる問題に対処するために, 学習不要な高速スロー思考システムを導入しようとするが, 厳密な解レベルの戦略調整によって制限される。 プロセスレベル適応思考モードスイッチング(PATS)という新しい推論パラダイムを提案し,各ステップの難易度に基づいてLLMが推論戦略を動的に調整し,そのバランスを最適化する。
  論文  参考訳（メタデータ） (2025-05-25T17:58:50Z)

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。