論文の概要: Adaptive Look, Flexible Thought: Learning How and How Long to Think in Multimodal Reasoning

• arxiv url: http://arxiv.org/abs/2610.15810v1
• Date: Sun, 11 Oct 2026 17:57:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.260874
• Title: Adaptive Look, Flexible Thought: Learning How and How Long to Think in Multimodal Reasoning
• Title（参考訳）: 適応的なルック&フレキシブルな思考:マルチモーダル推論における時間と思考方法を学ぶ
• Abstract要約: ロングチェーン・オブ・シークレット (Long chain-of-Thought, CoT) 推論は,多モーダル大規模言語モデル (MLLM) の一般および推論タスクにおける性能を大幅に向上させた。 L2T(Adaptive Look, flexible Thought)は,計算の形式と深さを協調的に最適化する統一的推論フレームワークである。 一般的な知覚と推論集約的なタスクの実験は、L2Tの有効性を示す。
• 参考スコア（独自算出の注目度）: 69.14615709007263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The introduction of long chain-of-thought (CoT) reasoning and external tools has substantially improved the performance of multimodal large language models (MLLMs) on general and reasoning tasks. However, existing fast-slow reasoning paradigms mainly regulate textual reasoning length, while visual computation introduced by external tools or visual tokens is often treated as an auxiliary component. This separation prevents MLLMs from jointly optimizing visual perception and textual reasoning. To address this issue, we propose L2T (adaptive Look, flexible Thought), a unified reasoning framework that jointly optimizes the form and depth of computation. L2T first discretizes tool-produced visual states into visual tokens, bringing visual perception and textual reasoning into a shared autoregressive space. Based on this unified representation, L2T introduces a modality-aware routing reward to select appropriate reasoning modes and a difficulty-aware fast-slow strategy to adapt reasoning depth according to task complexity. Experiments on general perception and reasoning-intensive tasks demonstrate the effectiveness of L2T. Compared with explicit tool-calling approaches, L2T maintains competitive performance while achieving 1.7--3.6 times higher throughput.
• Abstract（参考訳）: ロングチェーン・オブ・シークレット(CoT)推論と外部ツールの導入により、汎用および推論タスクにおけるマルチモーダル・大規模言語モデル(MLLM)の性能が大幅に向上した。 しかし、既存の高速スロー推論パラダイムは主にテキスト推論長を規定する一方、外部ツールや視覚トークンによって導入された視覚計算は補助的なコンポーネントとして扱われることが多い。 この分離により、MLLMは視覚知覚とテキスト推論を協調的に最適化することができない。 この問題に対処するため,我々はL2T (Adaptive Look, flexible Thought) を提案する。 L2Tは、ツールが生成した視覚状態を視覚トークンに識別し、視覚認識とテキスト推論を共有自己回帰空間に導く。 この統一表現に基づいて、L2Tは適切な推論モードを選択するためのモダリティ対応ルーティング報酬と、タスクの複雑さに応じて推論深度を適応するための困難対応の高速スロー戦略を導入する。 一般的な知覚と推論集約的なタスクの実験は、L2Tの有効性を示す。 明示的なツールコールアプローチと比較して、L2Tは1.7～3.6倍のスループットを達成しながら、競争性能を維持している。

関連論文リスト

• LanteRn: Latent Visual Structured Reasoning [7.141402207573525]
  本稿では,視覚的推論を潜在空間で直接実行可能にするフレームワークであるLanteRnを紹介する。 LanteRnは、推論中に連続的な視覚的思考の埋め込みを生成し、参加する能力を持つ視覚言語変換器を増強する。 我々はLanteRnを3つの知覚中心ベンチマーク(VisCoT, V*, Blink)で評価する。
  論文  参考訳（メタデータ） (2026-03-26T16:41:59Z)
• SwimBird: Eliciting Switchable Reasoning Mode in Hybrid Autoregressive MLLMs [27.042422801803344]
  スイムバード(SwimBird)は、入力に条件付けされた3つの推論モードのうち、スイッチング可能なMLLMである。 我々は,SwimBirdが従来の固定パターンのマルチモーダル推論手法に比べて,最先端の結果とロバストなゲインを得ることを示す。
  論文  参考訳（メタデータ） (2026-02-05T18:59:51Z)
• Reasoning-Aligned Perception Decoupling for Scalable Multi-modal Reasoning [95.44766931218896]
  MLLM(Multi-modal large language model)は、テキストベースの推論に遅れを取っている。 本稿では,MLLMの推論コンポーネントをモジュール化し,容易に置き換え可能なパーセプション推論デカップリングを提案する。 本稿では,視覚知覚最適化(VPO)と呼ばれる新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-05T02:28:07Z)
• PixelThink: Towards Efficient Chain-of-Pixel Reasoning [70.32510083790069]
  PixelThinkは、外部から推定されるタスクの難しさと内部で測定されたモデルの不確実性を統合する、シンプルで効果的なスキームである。 シーンの複雑さと予測信頼度に応じて推論の長さを圧縮することを学ぶ。 実験により,提案手法は推論効率と全体セグメンテーション性能の両方を改善した。
  論文  参考訳（メタデータ） (2025-05-29T17:55:49Z)
• Mitigating Visual Forgetting via Take-along Visual Conditioning for Multi-modal Long CoT Reasoning [53.790502697674754]
  本稿では、画像入力を重要な推論段階に移行する戦略であるTake-Allong Visual Conditioning (TVC)を提案する。 TVCは、推論を通して視覚的なコンポーネントへの注意を維持するのに役立つ。 提案手法は,5つの数学的推論ベンチマークにおいて,最先端の性能を平均で達成する。
  論文  参考訳（メタデータ） (2025-03-17T16:45:12Z)
• Retrieval-Based Interleaved Visual Chain-of-Thought in Real-World Driving Scenarios [69.00444996464662]
  RIV-CoT(Retrieval-based Interleaved Visual Chain-of-Thought法)を提案する。 実験の結果, RIV-CoTの解答精度は3.1%向上し, バニラCoTの解答精度は4.6%向上した。
  論文  参考訳（メタデータ） (2025-01-08T18:31:16Z)

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。