論文の概要: Integrating Simulation and Chain-of-thought Reasoning in Multimodal-Language Models For Physical Reasoning

• arxiv url: http://arxiv.org/abs/2610.19441v1
• Date: Wed, 14 Oct 2026 02:32:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.917374
• Title: Integrating Simulation and Chain-of-thought Reasoning in Multimodal-Language Models For Physical Reasoning
• Title（参考訳）: 物理推論のためのマルチモーダル言語モデルにおけるシミュレーションとチェーン・オブ・シント推論の統合
• Abstract要約: 本稿では,モデル性能と計算効率を改善するために,シミュレーションと推論を最適に交換する,認知に着想を得た新しいハイブリッドモデルを提案する。 本モデルでは,テスト時に物理推論問題を解くための適切な方法を決定することができ,精度とコストの最適バランスを求めることができる。
• 参考スコア（独自算出の注目度）: 11.204243870764806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal language models often need to reason about the physical dynamics of the world in order to answer questions appropriately. Various methods have emerged for solving physical reasoning tasks, and in particular, two leading approaches are Chain-of-Thought reasoning and physics-grounded simulation. However, relatively little is known about which particular problems can be solved by each approach. Some tasks may benefit from computationally expensive generative video simulations, whereas others may be solved equally well (or even better) with language-based reasoning. Our work addresses this by systematically comparing simulation and language reasoning across a variety of multimodal tasks involving physical reasoning, such as answering questions about fluid dynamics and elasticity. We draw a parallel with this to resource-rational theories of human cognition, which propose that people optimally trade off simulation and reasoning depending on task demands. We present a novel cognitively-inspired hybrid model which optimally trades off simulation and reasoning to improve model performance and computational efficiency. Our model is able to decide the appropriate method to solve a physical reasoning problem at test time, and finds an optimal balance between accuracy and cost. Further, our model can be trained on a smaller vision-language model that is only 4B parameters and deployed to improve performance on much bigger base models with $>$3T parameters like Gemini 3 Pro.
• Abstract（参考訳）: マルチモーダル言語モデルは、質問に適切に答えるために、世界の物理力学を推論する必要があることが多い。 物理推論を解くための様々な手法が登場しており、特に2つの主要なアプローチは、Chain-of-Thought推論と物理基底シミュレーションである。 しかし、それぞれのアプローチでどの問題が解決できるかは、比較的分かっていない。 いくつかのタスクは計算に高価な生成ビデオシミュレーションの恩恵を受けるが、他のタスクは言語に基づく推論と等しく(あるいはそれ以上に)解決される。 我々の研究は、流体力学や弾力性に関する質問に答えるなど、物理的推論を含む様々なマルチモーダルタスクにおいて、シミュレーションと言語推論を体系的に比較することで、この問題に対処する。 これと並行して人間認知の資源的合理的理論が提案され,課題要求に応じてシミュレーションや推論を最適に切り離すことが提案されている。 本稿では,モデル性能と計算効率を改善するために,シミュレーションと推論を最適に交換する,認知に着想を得た新しいハイブリッドモデルを提案する。 本モデルでは,テスト時に物理推論問題を解くための適切な方法を決定することができ,精度とコストの最適バランスを求めることができる。 さらに、我々のモデルは、4Bパラメータしか持たない小さなビジョン言語モデルでトレーニングすることができ、Gemini 3 Proのような$3Tパラメータで、はるかに大きなベースモデルのパフォーマンスを改善するためにデプロイされます。

関連論文リスト

• Construting Reverse Thinking: Developing Large Language Models' Reverse Thingking Ability [9.120914164159963]
  GPT-o1、GPT-o3、DeepSeek-R1は、推論深度を増大させることで複雑な問題に対処するために長い連鎖モデルを採用する。 モデルの逆思考能力と動的証明を高めることを目的とした逆推論パターン構築法を提案する。 モデルが思考モードを自律的に選択する能力を強化するために、スムーズな報酬信号を利用する、きめ細かい報酬メカニズムが開発されている。
  論文  参考訳（メタデータ） (2026-09-21T15:29:46Z)
• To Think or Not To Think, That is The Question for Large Reasoning Models in Theory of Mind Tasks [56.11584171938381]
  心の理論 (ToM) は、モデルが信念、欲望、意図などの隠された精神状態を推測できるかどうかを評価する。 近年のLRM(Large Reasoning Models)の進歩により、数学やコーディングにおけるステップバイステップ推論が向上している。 本研究では,9つの大規模言語モデル(LLM)の体系的研究を行い,推論モデルと非推論モデルを比較した。
  論文  参考訳（メタデータ） (2026-02-11T08:16:13Z)
• SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
  我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。 現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。 シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
  論文  参考訳（メタデータ） (2025-10-20T13:14:38Z)
• Unfolding Spatial Cognition: Evaluating Multimodal Models on Visual Simulations [61.235500325327585]
  既存のAIベンチマークは、主に言語推論を評価し、非言語的で多段階の視覚シミュレーションの複雑さを無視している。 STAREは,マルチモーダルな大規模言語モデルを視覚シミュレーションによりよりよく解いたタスクで厳格に評価するためのベンチマークである。 評価の結果,より単純な2次元変換よりもモデルの方が優れているが,より複雑なタスクにおいてランダムに近い確率で実行可能であることがわかった。
  論文  参考訳（メタデータ） (2025-06-05T05:09:46Z)
• A simulation-heuristics dual-process model for intuitive physics [28.707537312978502]
  注ぐ角度の予測には,シミュレーション時間によって異なる2つの誤差パターンが認められた。 本稿では,シミュレーションのコストがかかるとシミュレーションに切り替えるシミュレーション・ヒューリスティックス・モデル (SHM) を提案する。 SHMは人間の行動とより正確に一致し、様々なシナリオにまたがる一貫した予測性能を示し、直感的な物理的推論の適応性に対する理解を深める。
  論文  参考訳（メタデータ） (2025-04-13T12:34:02Z)
• Brainstorming Brings Power to Large Language Models of Knowledge Reasoning [17.14501985068287]
  大規模言語モデル(LLM)は、言語生成、テキスト理解、知識推論において驚くべき能力を示した。 近年の研究では、多モデルコラボレーションの導入により、幅広いタスクにおけるモデルの推論能力が向上している。 本稿では,インプットに基づくマルチモデルブレインストーミングを提案する。ブレインストーミングのためのグループに,複数の推論と再推論のラウンドを組み込んだ結果,コンセンサスな回答が得られた。
  論文  参考訳（メタデータ） (2024-06-02T14:47:14Z)
• Boosting the Power of Small Multimodal Reasoning Models to Match Larger Models with Self-Consistency Training [49.3242278912771]
  マルチモーダル推論(multimodal reasoning)は、複数のモーダルをまたいだモデルによる質問に答える難しいタスクである。 既存のアプローチでは、言語と視覚のモダリティを2段階の推論フレームワークに組み込むことで進歩している。 MC-CoTは,複数の合理性と回答を生成し,投票プロセスを通じて最も正確な選択を行う自己整合性学習戦略である。
  論文  参考訳（メタデータ） (2023-11-23T17:09:48Z)
• ACQUIRED: A Dataset for Answering Counterfactual Questions In Real-Life Videos [53.92440577914417]
  ACQUIREDは3.9Kの注釈付きビデオで構成され、幅広いイベントタイプを包含し、ファーストパーソンとサードパーソンの両方の視点を取り入れている。 各ビデオは、物理的、社会的、時間的な3つの異なる推論の次元にまたがる質問で注釈付けされている。 我々は,現在最先端の言語のみおよびマルチモーダルモデルに対して,我々のデータセットをベンチマークし,実験結果から大きな性能差が示された。
  論文  参考訳（メタデータ） (2023-11-02T22:17:03Z)

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。