論文の概要: Anvil: Scaling Embodied Spatial Intelligence through Knowledge Recirculation

• arxiv url: http://arxiv.org/abs/2610.21882v1
• Date: Thu, 15 Oct 2026 13:47:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.094736
• Title: Anvil: Scaling Embodied Spatial Intelligence through Knowledge Recirculation
• Title（参考訳）: Anvil:知識再循環による身体的空間知能のスケーリング
• Abstract要約: データ生成、トレーニング、ベンチマークのための統一的なフレームワークであるAnvilを紹介します。 Anvil-Genは、フォーム固有の生成、クロスステージ整合性検証、11のグラウンド-リレーション-Actフォームにわたる障害駆動のリコールを組み合わせた異種データフライホイールである。 Anvil-Benは、様々な具体的空間能力の学習と、ステージ能力とエラー伝播を区別するシーン関連アセスメントのためのシーンアライメントを提供する。 Anvil-MOPDは、専門教師の蒸留を通じて異種空間知識を統合する9Bの学生である。
• 参考スコア（独自算出の注目度）: 60.72126693176622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Embodied spatial intelligence requires more than visual recognition: models must localize entities, reason about their relations, and express this knowledge in action-relevant forms. Yet joint training can conflate the knowledge needed at different stages because supervision is fragmented across incompatible geometric and semantic outputs. We introduce Anvil, a unified framework for data generation, training, and benchmarking for embodied spatial intelligence. (1) Anvil-Gen is a heterogeneous data flywheel that combines form-specific generation, cross-stage consistency verification, and failure-driven recollection across 11 Ground--Relation--Act forms. (2) Anvil-Ben provides scene-aligned supervision for learning diverse embodied spatial capabilities and scene-linked assessments that distinguish stage competence from error propagation. (3) Anvil-MOPD is a 9B student that consolidates heterogeneous spatial knowledge through distillation from specialist teachers. Semantic-first-fault routing targets teacher supervision to the student's earliest decisive failure, while stage normalization controls the loss scale across native outputs of different lengths. We construct 5.8M source-grounded records spanning 160K images, reserving 580K spatial records for held-out evaluation and using the remaining 5.22M records for training. On average across seven public benchmarks, Anvil-MOPD outperforms Qwen3.5-9B and RynnBrain-8B by 9.29 and 11.03 percentage points, respectively, while reaching 80.67% on VABench-Point. Controlled studies support targeted coverage, selective transfer, and feedback-guided repair as complementary framework components.
• Abstract（参考訳）: モデルは実体をローカライズし、それらの関係を推論し、その知識を行動関連形式で表現しなければならない。 しかし、共同トレーニングは、非互換な幾何学的および意味的な出力間で監督が断片化されているため、異なる段階で必要とされる知識を分断することができる。 データ生成、トレーニング、ベンチマークのための統一的なフレームワークであるAnvilを紹介します。 1)Anvil-Genは、フォーム固有の生成、クロスステージ整合性検証、11のグラウンド-リレーショナル-Act形式の障害駆動再コンパイルを組み合わせた異種データフライホイールである。 2)Anvil-Benは,舞台能力とエラー伝播を区別する多様な空間的能力とシーン関連評価を学習するためのシーン整合型監視を提供する。 (3)Anvil-MOPDは,専門教員の蒸留を通じて異種空間知識を統合する9B学生である。 Semantic-First-faultルーティングは、教師が生徒の最も早い決定的な失敗を監督するのに対して、ステージ正規化は異なる長さのネイティブアウトプットの損失スケールを制御する。 我々は,160K画像にまたがる5.8Mのソース・グラウンド・レコードを構築し,ホールドアウト評価のために580Kの空間記録を保存し,残りの5.22Mの記録をトレーニングに利用した。 7つの公開ベンチマークで平均して、Anvil-MOPD は Qwen3.5-9B と RynnBrain-8B を 9.29 と 11.03 で上回り、VABench-Point では 80.67% に達した。 制御された研究は、補完的なフレームワークコンポーネントとして、対象のカバレッジ、選択的転送、フィードバック誘導修復をサポートする。

関連論文リスト

• From Reasoning Failures to Composable Video Spatial Intelligence [53.31188726177487]
  我々は,映像空間推論を支援するために,利用可能な証拠の上に機能する,型付き幾何演算子と空間スキルのトレーニングフリーライブラリを開発した。 これらの利点は、空間的慣行の明示的なハンドリングが、追加のトレーニングなしで体系的な推論失敗を修復できることを証明している。
  論文  参考訳（メタデータ） (2026-10-01T16:31:19Z)
• NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
  NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。 本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
  論文  参考訳（メタデータ） (2026-09-08T03:14:54Z)
• Learning from Semantic Dictionaries: Discriminative Codebook Contrastive Learning for Unified Visual Representation and Generation [13.939029266977235]
  識別的および生成的視覚モデルはそれぞれの領域で優れるが、意味的に不一致である。 本稿では,このギャップを埋める自己教師型フレームワークであるLEASEを紹介する。 ImageNet-1Kでは、LEASEは最先端の統一的なパフォーマンスを実現し、以前のVQGANベースの手法よりも優れている。
  論文  参考訳（メタデータ） (2026-05-24T11:32:30Z)
• MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale [92.09717763663873]
  我々は、データエンジニアリングとトレーニング戦略設計を通じて、純粋に最先端の技術を進化させるMinerU2.5-Proを提案する。 コアとなるのは、カバレッジ、情報性、アノテーションの正確性を中心に設計されたData Engineだ。 我々は,MinerU2.5-Pro が OmniDocBench v1.6 上で 95.69 を達成することを示す。
  論文  参考訳（メタデータ） (2026-04-06T15:44:18Z)
• PanoEnv: Exploring 3D Spatial Intelligence in Panoramic Environments with Reinforcement Learning [5.308328605042682]
  360パノラマ画像は、バーチャルリアリティー、自律運転、総合的なシーン理解のためのロボティクスでますます利用されている。 現在の視覚言語モデル(VLM)は、幾何学的歪みと限定的な3次元監督のため、等角射影(ERP)画像の空間的推論に苦慮している。 合成3D環境から構築した大規模VQAベンチマークであるPanoEnvを紹介する。 我々の7Bモデルは、新しい最先端性能を実現し、全体的な精度を52.93%(+3.59%)、オープンエンド精度を14.83%に改善し、構造化タスク性能を維持した。
  論文  参考訳（メタデータ） (2026-02-25T15:12:17Z)
• GRAID: Enhancing Spatial Reasoning of VLMs Through High-Fidelity Data Generation [31.365285503503475]
  標準検出器から2次元ボックスを用いて空間推論を学習するためのフレームワークを提案する。 GRAIDデータに基づいて訓練すると、モデルは過剰詳細保持型を一般化する空間的推論概念を学習する。 また、すべての質問タイプでトレーニングすると、いくつかの既存のベンチマークの改善が達成されることを示す。
  論文  参考訳（メタデータ） (2025-10-25T02:07:23Z)
• Detect Anything via Next Point Prediction [51.55967987350882]
  Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。 COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
  論文  参考訳（メタデータ） (2025-10-14T17:59:54Z)
• SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models [73.19077622773075]
  本稿では,空間知能を段階的に構築するための包括的方法論を提案する。 オブジェクトローカライゼーション、単一画像、マルチビュー、ビデオ空間推論タスクにまたがる26,610のサンプルを含むマルチモーダルデータセットであるSpatialLadder-26kを紹介する。 本研究では,物体の局所化による空間知覚の確立,多次元空間的タスクによる空間理解の発達,および検証可能な報酬を用いた強化学習による複雑な推論の強化を目的とした3段階のプログレッシブ・トレーニング・フレームワークを設計する。
  論文  参考訳（メタデータ） (2025-10-09T17:50:54Z)

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。