論文の概要: RepProbe: Can Video Language Models Count Repeated Actions? A Diagnostic Benchmark

• arxiv url: http://arxiv.org/abs/2610.18844v1
• Date: Tue, 13 Oct 2026 17:57:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:49:00.010268
• Title: RepProbe: Can Video Language Models Count Repeated Actions? A Diagnostic Benchmark
• Title（参考訳）: RepProbe: ビデオ言語モデルは繰り返しアクションを数えるか?診断ベンチマーク
• Abstract要約: 繰り返しカウントするには、時間とともにアクションサイクルを特定し、列挙する必要がある。 RepProbeは,[1, 20] の完全繰り返しを正確に k に含めた,42K 実写および合成ビデオクリップのベンチマークである。 実際のカウント情報は、モデルが正しいカウントを報告できない場合でも、線形にデオード可能である。
• 参考スコア（独自算出の注目度）: 4.891649865325986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Repetition counting requires identifying and enumerating action cycles over time. While state-of-the-art video language models describe actions fluently, they fail to reliably count how many times an action repeats. To investigate this limitation, we introduce RepProbe, a benchmark of 42K real and synthetic video clips containing exactly k in [1, 20] complete repetitions, with controls for clip position, temporal coverage, and duration. These controls allow us to study the counting failure directly and locate where in the model it arises. Counting accuracy collapses at high counts across the video language models we evaluate, and controlled experiments show this collapse is not explained by frame sampling alone. We compare model outputs with linear probes trained on the final-layer representations used to generate those outputs. We find a consistent representation-to-output dissociation: substantial count information remains linearly decodable even when models fail to report the correct count. Further analysis shows this failure arises primarily at the output stage, where answers concentrate on a small set of preferred numbers rather than the available count information. The dissociation holds on both real and synthetic videos and is not explained by clip duration, position, or scene content. These results indicate that models encode repetition structure but do not reliably report it in their outputs. Project page: https://arenaa.github.io/RepProbe-webpage/
• Abstract（参考訳）: 繰り返しカウントするには、時間とともにアクションサイクルを特定し、列挙する必要がある。 最先端のビデオ言語モデルでは、アクションを流動的に記述するが、アクションが繰り返す回数を確実にカウントすることができない。 この制限を調査するために,[1, 20] の完全繰り返しを正確にkに含む42K実写ビデオクリップと合成ビデオクリップのベンチマークであるRepProbeを紹介した。 これらの制御により、カウント障害を直接研究し、モデル内で発生した場所を特定できます。 評価したビデオ言語モデルにまたがって、精度の崩壊を計数し、制御された実験により、この崩壊はフレームサンプリングだけでは説明できない。 モデル出力と、それらの出力を生成するために使用される最終層表現に基づいて訓練された線形プローブを比較した。 実際のカウント情報は、モデルが正しいカウントを報告できない場合でも、線形にデオード可能である。 さらなる分析は、この失敗が主に出力段階で発生し、回答は利用可能なカウント情報よりも、少数の好まれる数に集中していることを示している。 この解離は、実写ビデオと合成ビデオの両方に依拠し、クリップの長さ、位置、シーンの内容によって説明されない。 これらの結果は、モデルが繰り返し構造を符号化しているが、その出力を確実に報告しないことを示している。 プロジェクトページ: https://arenaa.github.io/RepProbe-webpage/

関連論文リスト

• Enhancing Long-Video VLM Embeddings with Query-Aware Streaming Latent Reasoning [48.92009312610144]
  長いビデオの埋め込みには、限られた視覚的な予算の下で、スパースクエリ関連エビデンスをキャプチャする必要がある。 textbfQuery-Aware Streaming Latent Reasoning (QASLR)を紹介する。 QASLRはフレームの有界集合を選択し、時間順を復元し、ヴィジュアル言語によるバックボーンでクリップで処理する。
  論文  参考訳（メタデータ） (2026-10-04T02:05:48Z)
• Towards Error-Free Long Video Generation [56.86952045212838]
  本稿では,高品質でダイナミックでアイデンティティに一貫性のある単一ショット長ビデオを生成する,無限長のビデオ生成フレームワークを提案する。 まず,大規模なショートビデオデータに基づいて拡散モデルをビデオ拡張モデルとして微調整し,時間的コヒーレントなクリップを自動的に生成する。 我々のフレームワークは、リアルでコヒーレントな微小レベルのビデオ合成のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2026-06-21T07:39:37Z)
• Moment-Video: Diagnosing Temporal Fidelity of Video MLLMs on Momentary Visual Events [52.031070006859544]
  ビデオマルチモーダル大言語モデル(MLLM)は、一般的なビデオ理解と長大なビデオ理解を急速に進歩させてきたが、短い回答クリティカルな視覚的証拠を保存できる能力はいまだに未発見のままである。 本稿では,映像MLLMの時間的忠実度を時間的視覚的事象理解によって診断するためのベンチマークであるMoment-Videoを紹介する。
  論文  参考訳（メタデータ） (2026-06-01T17:32:20Z)
• VideoSTF: Stress-Testing Output Repetition in Video Large Language Models [18.707229361658527]
  我々は,ビデオLLMの出力繰り返しを系統的に測定し,ストレステストする最初のフレームワークであるVideoSTFを紹介した。 映像入力の時間的摂動に対して,出力繰り返しが広範かつ重要であり,非常に敏感であることがわかった。 この結果から,現代のビデオLLMにおける基本安定性問題としての出力繰り返しが明らかになり,映像言語システムにおける安定性を意識した評価が動機となった。
  論文  参考訳（メタデータ） (2026-02-11T08:40:48Z)
• Stable Video Infinity: Infinite-Length Video Generation with Error Recycling [76.91310169118408]
  本研究では、高時間一貫性、可視的シーン遷移、制御可能なストリーミングストーリーラインを有する無限長ビデオを生成することができる安定ビデオインフィニティ(SVI)を提案する。 SVIにはError-Recycling Fine-Tuningが組み込まれており、これはDiffusion Transformerの自己生成エラーをスーパーバイザのプロンプトにリサイクルする、新しいタイプの効率的なトレーニングである。 我々は、一貫性、創造性、条件設定を含む3つのベンチマークでSVIを評価し、その汎用性と最先端の役割を徹底的に検証した。
  論文  参考訳（メタデータ） (2025-10-10T09:45:46Z)
• Every Shot Counts: Using Exemplars for Repetition Counting in Videos [66.1933685445448]
  本稿では,対象ビデオ内の繰り返しにまたがる映像の視覚的対応を見出すための例題に基づくアプローチを提案する。 提案したEvery Shot Counts (ESCounts) モデルは,注目度に基づくエンコーダデコーダであり,同じビデオや異なるビデオの例と並行して,様々な長さのビデオをエンコードする。
  論文  参考訳（メタデータ） (2024-03-26T19:54:21Z)
• Counting Out Time: Class Agnostic Video Repetition Counting in the Wild [82.26003709476848]
  本稿では,アクションがビデオで繰り返される期間を推定するためのアプローチを提案する。 アプローチの要点は、周期予測モジュールを時間的自己相似性を使用するように制約することにある。 我々は、大規模なラベルなしビデオコレクションから生成される合成データセットを用いて、Repnetと呼ばれるこのモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-06-27T18:00:42Z)
• Attentional Speech Recognition Models Misbehave on Out-of-domain Utterances [16.639133822656458]
  我々は、LibriSpeechコーパスのみで訓練された注目エンコーダデコーダモデルを用いて、British National Corpusからオーディオをデコードする。 我々は,500文字以上の復号出力を生成する5秒録音が多数存在することを観察した。 同じデータに基づいてトレーニングされたフレーム同期ハイブリッド(DNN-HMM)モデルは、これらの異常に長い書き起こしを生成しない。
  論文  参考訳（メタデータ） (2020-02-12T18:53:56Z)

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。