論文の概要: ANCHOR: Audio-Visually Grounded Chain-of-Thought Reasoning Benchmark

• arxiv url: http://arxiv.org/abs/2610.22964v1
• Date: Fri, 16 Oct 2026 05:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.774591
• Title: ANCHOR: Audio-Visually Grounded Chain-of-Thought Reasoning Benchmark
• Title（参考訳）: ANCHOR: 音声で視覚的に座屈したチェーンのベンチマーク
• Abstract要約: 本稿では,マルチモーダル推論における接地条件アライメントのベンチマークおよび評価フレームワークであるANCHORを紹介する。 ANCHORは2,319の動画と8,272の質問応答対で構成されており、構造化された推論トレース、時間的証拠、空間的境界ボックス、健全なオーディオキューで構成されている。 直接的空間的および時間的接地測定により,回答の正しさ,幻覚,論理的発散,簡潔さを測定した。
• 参考スコア（独自算出の注目度）: 9.766564977291873
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multimodal large language models (MLLMs) perform well on audio-visual question answering, but correct answers do not necessarily imply that their stated reasoning is grounded in relevant perceptual evidence. Existing benchmarks mainly evaluate final-answer accuracy, offering limited insight into whether model-generated rationales correctly identify visual regions, temporal intervals, and audio events supporting predictions. We introduce ANCHOR, a benchmark and evaluation framework for measuring grounded-rationale alignment in multimodal reasoning, comprising 2,319 videos and 8,272 question-answer pairs with structured reasoning traces, temporal evidence, spatial bounding boxes, and salient audio cues, including a human-refined test set of 224 videos and 975 question-answer pairs. We separately measure answer correctness, hallucination, logical divergence, and conciseness, with direct spatial and temporal grounding measurements on a focused subset. Across the full benchmark, twelve contemporary MLLMs show a substantial alignment gap: models with comparable answer performance can differ markedly in whether their explanations are supported by annotated evidence. On a matched subset of 100 videos and 446 question-answer pairs, rankings remain highly stable across human-refined, Gemini-generated, and GPT-generated references (mean Pearson r=0.99), providing evidence against model-reference circularity within this subset. Grounding-cue ablations of three MLLMs on the full human-refined test set reveal a consistent modality hierarchy: removing video reduces accuracy by 38.4-41.8 points, while removing bounding boxes (3.2-7.7 points) and audio (4.2-5.6 points) causes smaller, complementary, model-dependent drops. These findings show answer-only evaluation obscures important grounding failures and position ANCHOR as a testbed for evaluating accurate and evidence-aligned audio-visual reasoning.
• Abstract（参考訳）: MLLM(Multimodal large language model)は、音声・視覚的質問応答においてよく機能するが、正しい答えは必ずしもそれらの主張が関連する知覚的証拠に基づいていることを示唆するものではない。 既存のベンチマークは、主に最終回答精度を評価し、モデル生成論理が視覚領域、時間間隔、予測をサポートする音声イベントを正しく識別するかどうかについての限られた洞察を提供する。 本稿では,224本の動画と975本の質問応答対を含む,構造化された推論トレース,時間的エビデンス,空間的バウンディングボックス,健全なオーディオキューを備えた2,319本のビデオと8,272本の質問応答対からなる,マルチモーダル推論における接地条件アライメントのベンチマークおよび評価フレームワークであるANCHORを紹介する。 焦点を絞った部分集合上での直接的空間的および時間的接地測定により,回答の正しさ,幻覚,論理的発散,簡潔さを別々に測定した。 完全なベンチマーク全体を通して、12の現代のMLLMは、相当なアライメントギャップを示している: 同等の応答性能を持つモデルは、それらの説明が注釈付きエビデンスによって支持されているかどうかにおいて、顕著に異なる。 100本の動画と446本の質問応答ペアの一致したサブセットでは、人間の修正、ジェミニ生成、GPT生成参照(Pearson r=0.99)の順にランクが安定しており、このサブセット内のモデル参照円形性に対する証拠となっている。 ビデオの削除は精度を38.4-41.8ポイント削減し、バウンディングボックス(3.2-7.7ポイント)とオーディオ(4.2-5.6ポイント)は小さく、補足的でモデルに依存しないドロップを引き起こす。 以上の結果より, 答えのみの評価は, 重要な根拠づけの失敗を曖昧にし, ANCHORを正確かつエビデンスに整合した音声・視覚的推論のためのテストベッドとして位置づけることが示唆された。

関連論文リスト

• TerraAgent: Demonstration-Grounded Multi-Agent Reasoning for Long-Context Remote Sensing Visual Question Answering [2.681087131751671]
  AVAはフリーのフレームワークで、凍結したRS MLLMを3つのモジュールでラップする。 それぞれのクエリをエビデンス型サブクエストDAGに分解し、サブクエストを適切な認識ツールにルーティングし、バウンド再認識を伴う共有エビデンス台帳に記録する。 RSVQA-LR/HR、VRSBench、LHRS-Benchでは、AVAは最強の同セットベースラインよりも平均精度を2.40ポイント向上させる。
  論文  参考訳（メタデータ） (2026-10-07T19:50:09Z)
• Does Local Video Understanding Transfer Across Encounters? The EgoGears Benchmark [73.41679841824603]
  クロスビデオ精度は、局所的な知覚の失敗と観察のアイデンティティを保持する失敗を混同する。 EgoGearsは、この移行を診断するために設計された、補完的なシングルビデオとマルチビデオのベンチマークである。
  論文  参考訳（メタデータ） (2026-09-29T16:20:01Z)
• NovGauge: A Fine-Grained Benchmark for Diagnosing LLMs' Capability in Paper Novelty Assessment [54.4265627247104]
  大規模言語モデル(LLM)は、主要なAIカンファレンスでピアレビューでますます使用されている。 既存のベンチマークでは、ノベルティを1つの総合的なスコアとして評価している。 本報告では,詳細なノベルティアセスメント診断のための人手によるベンチマークであるNovGaugeについて述べる。
  論文  参考訳（メタデータ） (2026-09-10T08:34:56Z)
• Tri-PvP: Exposing Modality Bias in Omni-Modal Large Language Models through Perceptual-Propositional Evidence Conflicts [49.97842835825998]
  既存のベンチマークでは、知覚信号と命題信号の2つの形態の証拠が記述されている。 本稿では,視覚,音声,テキストを交叉するベンチマークであるTri-PvPを紹介する。 多くのモデルとエビデンス型条件で頑健な視覚バイアスが見つかり、重要なことはエビデンス型バイアスの系統的な非対称性を明らかにすることである。
  論文  参考訳（メタデータ） (2026-09-05T10:33:58Z)
• STRAND: Benchmarking and Improving Object-Centric Spatio-Temporal Monitoring in Video Large Language Models [44.95645606647668]
  大きな言語モデル(MLLM)は、ビデオシーンで幻覚を起こす傾向がある。 我々は、人間による検証対象中心事実のベンチマークであるSTRANDを紹介する。 本稿では、構造化されたオブジェクト軌跡に対して明示的に構成と理由を規定するオブジェクト指向フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-28T01:51:50Z)
• Walking Through Uncertainty: An Empirical Study of Uncertainty Estimation for Audio-Aware Large Language Models [54.041320081289996]
  音声対応大言語モデル(ALLM)における不確実性推定に関する最初の系統的研究について述べる。 予測エントロピー、長さ正規化エントロピー、意味エントロピー、個別意味エントロピー、P(True)を含む5つの代表的な手法をベンチマークする。 まず、意味レベルと検証ベースの手法は、一般的な音声推論ベンチマークにおけるトークンレベルベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-04-28T12:56:22Z)
• VideoZeroBench: Probing the Limits of Video MLLMs with Spatio-Temporal Evidence Verification [73.02304272829785]
  VideoBenchは、証拠を厳格に検証する長ビデオ応答のための階層的なベンチマークだ。 これは、13のドメインに500の注釈付き質問を手動で記述し、時間間隔と空間境界ボックスを組み合わせて証拠とする。 GeminiPro-3-Proでさえ、標準のエンドツーエンドのQA設定で17%未満の質問に正しく答えている。 その結果,表面レベルでの回答の正しさと真正な証拠に基づく推論との間に大きなギャップが生じた。
  論文  参考訳（メタデータ） (2026-04-02T03:29:43Z)
• AURA: A Fine-Grained Benchmark and Decomposed Metric for Audio-Visual Reasoning [3.949628618389608]
  AURAは、Audio-Visual Large Language Models (AV-LLMs) とOmni-Modal Language Models (OLMs) のクロスモーダル推論能力を評価するためのベンチマークである。 AURAには、因果性、音色とピッチ、テンポとAV同期、未解決性、暗黙の気遣い、スキルプロファイリングといった6つの困難な認知領域に関する質問が含まれている。 本稿では,理性評価のための頑健なツールの欠如に対処する新しい計量AuraScoreを提案する。
  論文  参考訳（メタデータ） (2025-08-10T20:06:42Z)
• MAGNET: A Multi-agent Framework for Finding Audio-Visual Needles by Reasoning over Multi-Video Haystacks [67.31276358668424]
  AV-HaystacksQAという新しいタスクを導入し、クエリに応答して、異なるビデオにまたがる有能なセグメントを識別し、それらをリンクして最も有意義な回答を生成する。 AVHaystacksは、マルチビデオ検索および時間的グラウンドタスクにおけるLMMの能力を評価するために設計された3100の注釈付きQAペアからなるオーディオビジュアルベンチマークである。 提案するAVHaystackのQAタスクにおけるBLEU@4およびGPT評価スコアの基準値よりも89%と65%の相対的な改善を実現し、モデルに依存しないマルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-08T06:34:29Z)

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。