論文の概要: The Image Still Has a Say: Final-Answer Repair for Multimodal Chain-of-Thought

• arxiv url: http://arxiv.org/abs/2610.17663v1
• Date: Tue, 13 Oct 2026 03:42:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 17:50:56.596548
• Title: The Image Still Has a Say: Final-Answer Repair for Multimodal Chain-of-Thought
• Title（参考訳）: マルチモーダル・チェーン・オブ・サードの修復が最終回答
• Abstract要約: 最終回答補修のためのトレーニング不要手法であるテキスト・ツー・ビジュアル・エビデンス・リアルロケーション(TVER)を提案する。 TVERは、回答関連テキストと質問マッチングされたイメージパッチを選択し、テキストからパッチにバウンドされた注意を移す。 提案手法は,ベンチマークとバックボーンの回答を改善する。
• 参考スコア（独自算出の注目度）: 7.38499606349536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although chain-of-thought prompting has improved multimodal reasoning, it is still difficult to produce correct final answers, as the reasoning can drift away from the image. Besides, the trace is already fixed when the answer is generated, leaving no room for self-correction. Considering the image is still available at the final-answer step, we think it is reasonable to fix the answer there without rewriting the reasoning. As such, the problem becomes to correct the final answer using the image under fixed reasoning. Unlike methods that improve trace generation through training, resampling, or decoding-time grounding, we repair the final-answer readout while keeping the reasoning trace fixed. The motivation is based on our finding that a wrong option can become prematurely committed in the reasoning while the correct option still has stronger image support in middle-to-deep layers. Thus, we propose Text-to-Visual Evidence Reallocation (TVER), a training-free method for final-answer repair. Specifically, TVER selects answer-related text and question-matched image patches, and moves bounded attention from text to patches. Furthermore, the patches are chosen in a middle-to-deep layer window based on question relevance. Our method improves answers across benchmarks and backbones, with gains in both multiple-choice and open-answer evaluations.
• Abstract（参考訳）: チェーン・オブ・シークレット・プロンプトはマルチモーダル推論を改善したが、画像から逸脱する可能性があるため、最終的な結論を出すことは依然として困難である。 さらに、答えが生成されると既にトレースが固定されており、自己補正の余地は残っていない。 イメージがまだ最終回答ステップで利用可能であることを考えると、推論を書き換えることなく答えを修正するのは合理的だと思います。 そのため、固定された推論の下で、画像を用いて最終回答を補正する。 学習、再サンプリング、復号時間グラウンド化によるトレース生成を改善する方法とは異なり、推論トレースを固定したまま最終回答読み出しを修復する。 モチベーションは、正しいオプションは依然として中間層から深層へのイメージサポートが強化されている一方で、推論において間違ったオプションが早期にコミットされる可能性があることに基づいています。 そこで本研究では,終末補修のためのトレーニングフリー手法であるテキスト・ツー・ビジュアル・エビデンス・レロケーション(TVER)を提案する。 具体的には,回答関連テキストと質問マッチング画像パッチを選択し,テキストからパッチに有界な注意を移す。 さらに、パッチは質問関連性に基づいて、中層から深層までのウィンドウで選択される。 提案手法は,ベンチマークとバックボーンの回答を改善する。

関連論文リスト

• Answer with Evidence: Consistency-Aware Grounded Visual Question Answering for Roadside Traffic Scenes [74.32863692381677]
  RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。 RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。
  論文  参考訳（メタデータ） (2026-10-04T14:48:54Z)
• GLaQ: Grounding Latent Queries in Visual Evidence for Multimodal Reasoning [27.232897918541067]
  連鎖推論は多モーダルな大言語モデルの問題解決能力を大幅に改善した。 しかし、微細な視覚的証拠は、テキストベースの推論ステップをまたいだ保存と再利用が難しいままである。 GLaQは、逐次ラテントロールアウトをコンテキスト条件付きクエリの固定セットに置き換える、接地型ラテントクエリフレームワークである。
  論文  参考訳（メタデータ） (2026-08-16T04:01:08Z)
• Thinking With Tools, Not With Pixels: Tool Calls as Text Scaffolds for Visual Reasoning [75.00741348880044]
  ツール強化された視覚言語モデル、ますます「イメージで考える」 近年、ブラインドテスト、ゲイン分解、アテンション分析による研究により、返却画像はほとんど寄与していないことが示された。 我々は、返却されたピクセルが到着する前に出力される構造化されたテキストである、と仮定する。
  論文  参考訳（メタデータ） (2026-08-10T14:52:10Z)
• VisualFLIP: Do Predictions Depend on Task-Critical Visual Evidence in Multimodal Reasoning? [79.44137632338062]
  マルチモーダルな大規模言語モデルが視覚的推論問題に正しく答える場合、その予測はタスククリティカルな視覚的証拠によって実際に支持されているか? VisualFLIPは1,374枚の画像が基数,属性,空間,論理的タスクにまたがって同一の問合せペアとして配置されたベンチマークである。 ペアの両面を解く必要がある24個のMLLMと、少なくとも一方の面を解くモデルが両方の画像に対して同じ空でない答えを繰り返す頻度を測定するCR(Collapse Rate)を評価した。
  論文  参考訳（メタデータ） (2026-06-05T22:06:07Z)
• Answer-Consistent Chain-of-thought Reinforcement Learning For Multi-modal Large Langauge Models [33.398631680508814]
  本稿では,GRPOアルゴリズムを補助的整合性チェックで修正するAnswer-Consistent Reinforcement Learningを提案する。 我々は、オリジナルとポストシャッフルの両方の回答が一致して正しい場合にのみ高い報酬を与える一貫性検証報酬を設計する。 我々は、ACREを挑戦的なビデオ推論ベンチマークとマルチモーダル数学推論ベンチマークで評価し、平均2.2%と1.5%の改善を達成した。
  論文  参考訳（メタデータ） (2025-10-11T08:32:52Z)
• Beyond the Last Answer: Your Reasoning Trace Uncovers More than You Think [51.0691253204425]
  我々は2つの質問に答えるために中間的推論ステップを解析する: 最終的な答えはモデルの最適結論を確実に表すか? 我々のアプローチは、推論トレースを言語的手がかりに基づくシーケンシャルなサブソートに分割することである。 これらの解答を最も頻繁な解(モード)を選択して集約すると、元の完全トレースから得られる解のみに依存するよりも、はるかに高い精度が得られることが判明した。
  論文  参考訳（メタデータ） (2025-04-29T12:39:07Z)
• Check It Again: Progressive Visual Question Answering via Visual Entailment [12.065178204539693]
  Visual Entailmentに基づいたSAR(Select-and-Rerank)プログレッシブフレームワークを提案する。 まず、質問や画像に関連する候補の答えを選択し、その候補の答えを視覚的細分化タスクで並べ替える。 実験の結果,VQA-CP v2の精度が7.55%向上した。
  論文  参考訳（メタデータ） (2021-06-08T18:00:38Z)
• Contrastive Learning for Unpaired Image-to-Image Translation [64.47477071705866]
  画像から画像への変換では、出力の各パッチは、入力中の対応するパッチの内容を、ドメインに依存しない形で反映すべきである。 本研究では,両者の相互情報を最大化するために,コントラスト学習に基づく枠組みを提案する。 筆者らのフレームワークは、画質の向上とトレーニング時間の短縮を図りながら、画像から画像への翻訳設定の一方的な翻訳を可能にすることを実証している。
  論文  参考訳（メタデータ） (2020-07-30T17:59:58Z)

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。