論文の概要: ReTAC: Residual Test-Time Agentic Computation for Video Spatial Reasoning

• arxiv url: http://arxiv.org/abs/2610.16315v1
• Date: Mon, 12 Oct 2026 07:39:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.326205
• Title: ReTAC: Residual Test-Time Agentic Computation for Video Spatial Reasoning
• Title（参考訳）: ReTAC:ビデオ空間推論のための残差テスト時間エージェント計算
• Abstract要約: テストタイムエージェント計算は多モーダルな言語モデルを改善することができる。 ビデオ空間推論のためのトレーニング不要なマルチエージェントフレームワークであるReTACで、この定式化をインスタンス化する。
• 参考スコア（独自算出の注目度）: 75.14564822108872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test-time agentic computation can improve multimodal large language models (MLLMs) through planning, tool use, iterative perception, and reflection, but indiscriminate computation may duplicate resolved work, introduce noisy evidence, and perturb correct predictions. We propose that such computation should be residual: allocate additional computation only to requirements unresolved by the base model and, after a localized failure, recompute only the affected states. We instantiate this formulation in ReTAC, a training-free multiagent framework for video spatial reasoning. ReTAC organizes supplementary computation around unresolved requirements. It plans ordered steps to acquire missing spatial evidence and combines the observations with compatible native evidence for reasoning. In addition, it uses stage-aligned verification to localize failures to planning, perception, or reasoning. Dependency-based recovery recomputes only affected states while reusing unaffected ones. Extensive experiments show that ReTAC achieves the highest overall score among the compared methods across three mainstream MLLMs and two widely adopted benchmarks. Further analyses show that gains from additional computation depend not only on how much is used, but also on where it is allocated and which valid intermediate states are preserved.
• Abstract（参考訳）: テストタイムエージェント計算は、計画、ツールの使用、反復知覚、リフレクションを通じて、マルチモーダルな大規模言語モデル(MLLM)を改善することができるが、非差別的な計算は、解決された作業の重複、ノイズのある証拠の導入、混乱した正確な予測をもたらす可能性がある。 基礎モデルで未解決の要件にのみ追加計算を割り当て、局所的な故障の後、影響を受ける状態のみを再計算する。 ビデオ空間推論のためのトレーニング不要なマルチエージェントフレームワークであるReTACで、この定式化をインスタンス化する。 ReTACは未解決要件に関する補足計算を編成する。 計画では、欠落した空間証拠を取得するための手順を指示し、観測結果と相性のあるネイティブ証拠を組み合わせて推論を行う。 さらに、ステージ整列検証を使用して、障害を計画、認識、推論にローカライズする。 依存ベースのリカバリは、影響のない状態を再利用しながら、影響のある状態のみを再計算する。 大規模な実験により、ReTACは3つのメインストリームMLLMと2つの広く採用されているベンチマークで比較した手法の中で、最も高い総合スコアを達成している。 さらなる分析により、追加の計算によるゲインは、どれだけの量が使用されるかだけでなく、どこに割り当てられ、どの有効な中間状態が保存されているかにも依存することが示された。

関連論文リスト

• Counterexamples to Local Reconstruction Gain as a Proxy for Final Fidelity in Residual Completion [3.1897721055763024]
  残余補完は、厳密なスパース計算から省略されたトークンの寄与を推定することにより、クエリ対応スパース注意を増大させる。 トレーニングフリーのRESAを学習し,冷凍バックボーン言語モデルを用いてTop-K+$を学習した。
  論文  参考訳（メタデータ） (2026-09-28T00:42:38Z)
• Test-Time Scaling in Reasoning LLMs: Inference Regimes, Evaluation, and Reproducibility [7.838210213616623]
  3つの軸に沿ってテスト時間スケーリングを体系的に記述する。 まず、自動回帰モデルの暗黙の接頭辞木に対する予算付き推論としてテスト時間スケーリングを定式化する。 次に,評価対象を全体推論システムとして扱う。
  論文  参考訳（メタデータ） (2026-08-04T17:57:20Z)
• From Residuals to Reasons: LLM-Guided Mechanism Inference from Tabular Data [10.795877029195845]
  科学的応用のための機械学習における永続的な課題は、予測と理解を共同で達成することである。 マルチエージェント残差文脈学習(MARICL)を導入する。 MARICLは、すべてのデータセットのベースモデルに対して一貫して改善されている。
  論文  参考訳（メタデータ） (2026-05-21T15:34:08Z)
• CellScientist: Dual-Space Hierarchical Orchestration for Closed-Loop Refinement of Virtual Cell Models [62.281480231694]
  VCM(Virtual Cell Modeling)は、摂動応答を予測できるだけでなく、予測が失敗した場合にターゲットリビジョンをサポートするモデルを必要とする。 現在のLCM支援モデリングでは、予測誤差が実行可能実装を通して観測されるという改善ルーティング問題に直面している。 提案するCellScientistは,高レベル仮説空間と低レベル実行可能実装空間を結合した,二重空間階層型フレームワークである。
  論文  参考訳（メタデータ） (2026-05-08T06:40:24Z)
• What If We Allocate Test-Time Compute Adaptively? [2.1713977971908944]
  テストタイムスケーリングは、推論計算を均一に割り当て、固定されたサンプリング戦略を使用し、再ランク付けにのみ検証を適用する。 本稿では,推論を反復的軌跡生成と選択として扱う検証器誘導適応フレームワークを提案する。 データセット全体にわたって、当社の動的PRMガイダンスアプローチは、テスト時間の直接スケーリングよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-02-01T07:30:22Z)
• Accelerate Speculative Decoding with Sparse Computation in Verification [49.74839681322316]
  投機的復号化は、複数のドラフトトークンを並列に検証することにより、自動回帰言語モデル推論を加速する。 既存のスペーシフィケーション方式は主にトークン・バイ・トーケンの自己回帰復号化のために設計されている。 そこで本研究では,注目度,FFN,MoEを両立させるスパース検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-26T07:53:41Z)
• AcuRank: Uncertainty-Aware Adaptive Computation for Listwise Reranking [35.685682379377134]
  大規模言語モデル (LLMs) によるリストのランク付けは、検索ベースのアプリケーションにおいて上位のランク付けされた結果を強化する。 AcuRank は文書関連性に対する不確実性推定に基づいて動的に計算量と目標を調節する適応型再ランクフレームワークである。 TREC-DLとBEIRのベンチマークの結果から,提案手法は精度・効率のトレードオフを一貫して達成し,固定計算ベースラインよりも計算能力に優れることがわかった。
  論文  参考訳（メタデータ） (2025-05-24T05:15:49Z)
• The First Few Tokens Are All You Need: An Efficient and Effective Unsupervised Prefix Fine-Tuning Method for Reasoning Models [69.798277882245]
  大規模言語モデルの推論効率を向上させるために,Unsupervised Prefix Fine-Tuning (UPFT)を導入した。 UPFTはラベル付きデータや徹底的なサンプリングの必要性を取り除く。 実験の結果,UPFTは教師付き手法の性能と一致していることがわかった。
  論文  参考訳（メタデータ） (2025-03-04T18:56:03Z)
• Scaling Test-Time Compute Without Verification or RL is Suboptimal [70.28430200655919]
  RL法や検索法に基づく検証器ベース (VB) 手法による微調整は, 一定量の計算・データ予算を条件として, 蒸留・クローニングに基づく検証器フリー (VF) 手法よりもはるかに優れていることを示す。 我々は,3/8Bの事前学習型LLMのドクティクスと数学推論の両問題に対して,我々の理論を実証的に相関させ,テスト時間計算のスケーリングには検証が不可欠であることを確認した。
  論文  参考訳（メタデータ） (2025-02-17T18:43:24Z)

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。