論文の概要: OmniVerifier-C1: Decomposed Graded Verifier for Rule-Governed Generative World Modeling

• arxiv url: http://arxiv.org/abs/2610.22355v1
• Date: Thu, 15 Oct 2026 17:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.277648
• Title: OmniVerifier-C1: Decomposed Graded Verifier for Rule-Governed Generative World Modeling
• Title（参考訳）: OmniVerifier-C1: Decomposed Graded Verifier for Rule-Governed Generative World Modeling
• Abstract要約: 複雑なプロンプトや環境ルールを自動的に細かなコンポーネントに分解する検証器を導入する。 ペアワイズ検証のパラダイムは、ポイントワイズ定式化よりも正確な批判をもたらすことを示す。 生成モデルから構造化世界モデリングエージェントへの移行は、正確なペアグレードの視覚的検証の可用性に重大な影響を与えている。
• 参考スコア（独自算出の注目度）: 50.062869239908736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative visual verifiers play a crucial role in advancing multimodal intelligence. To enhance the robustness of visual verifiers in complex multimodal scenarios involving compositional requirements, we move beyond conventional binary verifiers that produce only True/False discrete judgments and introduce a verifier that automatically decomposes complex prompts or environmental rules into fine-grained components and assigns pointwise scores to provide a continuous and more informative critique signal. Our experiments further demonstrate that these structured and interpretable outputs improve the verifier's generalization to out-of-domain multimodal critic tasks. To train this verifier, we introduce a Decoupled RL training strategy that jointly optimizes sub-question-level binary judgment and global alignment scoring, using precise local feedback to develop fine-grained verification capabilities that provide a foundation for reliable continuous scoring at the global level. Under a general reinforcement learning framework, we first empirically demonstrate that the proposed pointwise graded verifier significantly outperforms binary verifiers in traditional text-to-image scenarios. We then extend our investigation to rule-governed generative world modeling where generative models are leveraged for world simulation and world reasoning under explicit rules. From a theoretical standpoint, we further show that a pairwise verification paradigm yields more accurate critiques than the pointwise formulation when ground-truth images are available, with empirical results on diverse structured world-modeling tasks such as Maze and Sudoku further validating the effectiveness of our approach. Overall, our findings suggest a key insight: the transition from generative models to structured world-modeling agents critically hinges on the availability of accurate pairwise graded visual verifiers.
• Abstract（参考訳）: 生成的視覚的検証器は、マルチモーダルインテリジェンスを前進させる上で重要な役割を果たす。 構成要件を含む複雑なマルチモーダルシナリオにおいて、視覚的検証器の堅牢性を高めるために、真/偽の離散的な判断のみを生成する従来のバイナリ検証器を超越し、複雑なプロンプトや環境ルールを微細なコンポーネントに自動的に分解し、ポイントワイズスコアを割り当てて、連続的でより情報的な批判信号を提供する検証器を導入する。 さらに,これらの構造的および解釈可能な出力により,検証器の一般化がドメイン外マルチモーダル批判タスクに向上することが実証された。 この検証器の訓練には, 高精度な局所フィードバックを用いて, 世界レベルでの信頼性の高い連続的なスコアリングの基礎となる詳細な検証機能を開発することで, サブクエストレベルの二値判定とグローバルアライメントスコアリングを共同で最適化するデカップリングRLトレーニング戦略を導入する。 一般的な強化学習の枠組みの下では,提案手法が従来のテキスト・画像のシナリオにおいて,2値検証を著しく上回っていることを実証的に実証する。 次に,本研究は,世界シミュレーションや世界推論に生成モデルを活用するルール統治型生成世界モデリングに拡張する。 理論的観点からは,両立検証のパラダイムが,地平線画像が利用可能である場合の点定式化よりも正確な批判を得られることを示し,また,Maze や Sudoku といった多種多様な構造化世界モデリングタスクに対する実証的な結果が,我々のアプローチの有効性をさらに検証している。 生成モデルから構造化世界モデリングエージェントへの移行は、正確なペアグレードの視覚的検証の可用性に重大な影響を与えている。

関連論文リスト

• DBCF: Dual-Branch Complementary Fusion of Foundation Models for Generalized Deepfake Detection [43.58339450050692]
  偽造検出モデルは 様々な領域をまたいだ一般化と 目に見えない操作に苦慮する 本稿では,相補的な事前学習表現を統合した階層型多粒度フレームワークを提案する。 提案手法は,より包括的な偽造表現を学習し,高い操作性能を実現する。
  論文  参考訳（メタデータ） (2026-09-28T09:26:55Z)
• OmniVerifier-M1: Multimodal Meta-Verifier with Explicit Structured Recalibration [48.11927189422178]
  決定のみの信号よりも検証器生成の合理性を利用するマルチモーダルなメタ検証について検討する。 我々は,記号的メタ検証とデカップリングされた強化学習を利用した一般の視覚的検証であるOmniVerifier-M1を訓練する。 このアプローチは、より信頼性が高く、解釈可能で、きめ細かいマルチモーダル検証の道を開き、より安全で、より制御可能な基盤モデルのデプロイメントをサポートする。
  論文  参考訳（メタデータ） (2026-05-27T17:56:04Z)
• RegionReasoner: Region-Grounded Multi-Round Visual Reasoning [69.75509909581133]
  RegionReasonerは視覚的推論のための強化学習フレームワークである。 これは、それぞれの推論トレースに対応する参照境界ボックスを明示的に引用することを要求することによって、根拠付き推論を強制する。 RegionReasonerは、基礎となる忠実さとグローバルなセマンティックアライメントを組み合わせた構造化された報酬で最適化されている。
  論文  参考訳（メタデータ） (2026-02-03T16:52:16Z)
• EvoSyn: Generalizable Evolutionary Data Synthesis for Verifiable Learning [63.03672166010434]
  我々は、進化的、タスクに依存しない、戦略を導いた、実行可能検証可能なデータ合成フレームワークを紹介します。 問題、多様な候補解、検証成果物を共同で合成する。 これは、人間による注釈付きチェックと戦略によるチェックの合意を強制する一貫性に基づく評価器を通じて戦略を反復的に発見する。
  論文  参考訳（メタデータ） (2025-10-20T11:56:35Z)
• Generative Universal Verifier as Multimodal Meta-Reasoner [71.34250480838473]
  Generative Universal Verifierは、視覚言語モデルと統合マルチモーダルモデルにおける次世代マルチモーダル推論のために設計された新しい概念とプラグインである。 ViVerBenchは、マルチモーダル推論における視覚的結果を評価するために、16のカテゴリにまたがる重要なタスクのベンチマークである。 OmniVerifier-7Bは、ユニバーサルビジュアル検証のために訓練された最初のオムニ対応生成検証器である。
  論文  参考訳（メタデータ） (2025-10-15T17:59:24Z)
• RealUnify: Do Unified Models Truly Benefit from Unification? A Comprehensive Benchmark [71.3555284685426]
  本稿では,双方向機能相乗効果を評価するためのベンチマークであるRealUnifyを紹介する。 RealUnifyは、10のカテゴリと32のサブタスクにまたがる、細心の注意を払ってアノテートされた1000のインスタンスで構成されている。 現在の統一モデルは、効果的な相乗効果を達成するのに依然として苦労しており、アーキテクチャの統一だけでは不十分であることを示している。
  論文  参考訳（メタデータ） (2025-09-29T15:07:28Z)
• Disentangling Representations through Multi-task Learning [0.0]
  分類タスクを最適に解決するエージェントにおいて,不整合表現の出現を保証する実験および理論的結果を提供する。 マルチタスクに訓練されたRNNにおいて、これらの予測を実験的に検証し、連続的な誘引子の形で非絡み合った表現を学習する。 私たちは、トランスフォーマーが特に、そのユニークな世界理解能力を説明するような、無関係な表現に向いていることに気付きました。
  論文  参考訳（メタデータ） (2024-07-15T21:32:58Z)

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。