論文の概要: Do 3D Large Language Models Really Use 3D Evidence?

• arxiv url: http://arxiv.org/abs/2610.24447v1
• Date: Sat, 17 Oct 2026 04:26:46 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:08:17.50989
• Title: Do 3D Large Language Models Really Use 3D Evidence?
• Title（参考訳）: 3D大規模言語モデルは本当に3Dエビデンスを使うのか?
• Abstract要約: 3次元大規模言語モデルは、広範囲なトレーニング後の質問に対して、強いパフォーマンスを示している。 既存のベンチマークでは、3D-LLMが参照の曖昧さ、不十分なシーン証拠、偽の前提にどのように反応するかを評価することはめったにない。 4つの証拠条件で3D-LLM応答の信頼性を評価するためのベンチマークであるUNICORNSを紹介する。
• 参考スコア（独自算出の注目度）: 10.279924468100601
• License:
• Abstract: Recent 3D Large Language Models (3D-LLMs) have shown strong performance on scene question answering with extensive post-training. Yet, existing benchmarks rarely evaluate how 3D-LLMs respond to referential ambiguity, insufficient scene evidence, or false presuppositions, obscuring whether their responses are grounded in 3D evidence. In this work, we introduce UNICORNS, a benchmark for evaluating the reliability of 3D-LLM responses across four evidence conditions. UNICORNS contains 11,387 questions across 557 ScanNet scans, covering eight challenge categories alongside answerable controls. A response passes only if it satisfies the required response behavior and contains no scene claim unsupported by the available evidence. Evaluation of six open-sourced 3D-LLMs reveals a pronounced performance gap: even the strongest zero-shot model achieves 61.22% accuracy on answerable controls, but only 40.94% across the eight challenge categories. To address this gap, we further propose HORN, an obligation-aware post-training method combining group-relative task rewards, leaf-conditioned obligation rewards, and supervised control replay. Extensive experiments demonstrate that HORN reaches $75.1 \pm 1.0\%$ across the challenge categories and $77.2 \pm 0.8\%$ overall, outperforming all baselines without degrading answerable-control accuracy. Our findings enable a systematic evaluation and improvement of evidence-grounded 3D reasoning for 3D-LLMs (code: https://anonymous.4open.science/r/unicorns-6B38/).
• Abstract（参考訳）: 最近の3次元大規模言語モデル(3D-LLMs)は,広範囲なポストトレーニングによるシーン質問応答において高い性能を示した。 しかし、既存のベンチマークでは、3D-LLMが参照の曖昧さ、不十分なシーン証拠、または偽の前提にどのように反応するかを評価することはめったにない。 本研究では,4つのエビデンス条件における3D-LLM応答の信頼性を評価するベンチマークであるUNICORNSを紹介する。 UNICORNSには557のScanNetスキャンで11,387の質問があり、回答可能なコントロールとともに8つの課題カテゴリをカバーする。 応答は、要求された応答の振る舞いを満足し、利用可能なエビデンスによって支持されるシーンを含まない場合にのみパスする。 最強のゼロショットモデルでさえ、回答可能なコントロールで61.22%の精度を達成するが、8つの課題カテゴリで40.94%しか達成していない。 このギャップに対処するために,グループ相対的課題報酬,葉条件付き義務報酬,教師付き制御リプレイを組み合わせた義務意識のポストトレーニング手法であるHORNを提案する。 広範囲な実験により、HORNはチャレンジカテゴリ全体で75.1 \pm 1.0\%、全体的な7.2 \pm 0.8\%に達し、解答可能な制御精度を低下させることなく全てのベースラインを上回っている。 本研究は,3D-LLM(コード: https://anonymous.4open.science/r/unicorns-6B38/)に対するエビデンスに基づく3D推論の体系的評価と改善を可能にする。

関連論文リスト

• Grounding Generative Verification in 3D Content [24.487873171924548]
  信頼できる3Dシステムを構築するには、より強力な生成と推論だけでなく、検証フィードバックが必要である。 3DVerifierBenchは10のタスクにまたがるベンチマークで、決定、拒絶説明、および仕様や候補における制御された変更に対する応答を評価する。 マルチビューファクト抽出,制御された3D編集,ネイティブアノテーションを組み合わせたスケーラブルなパイプラインを開発し,矛盾する説明とリンクされた反事実を含む14,126のトレーニング例を生成する。
  論文  参考訳（メタデータ） (2026-10-15T17:59:01Z)
• RoTA-Bench: Evaluating 3D Spatial Reasoning through Interactive Projection Alignment [60.989018864729445]
  対話型3次元から2次元の投影アライメントによる能力評価にRoTA-Benchを導入する。 対象のシルエットが与えられた場合、モデルは回転したオブジェクトを観察し、連続する回転を選択してターゲットの投影を回復する。 GPT-5.6-Solがわずか17%のタスクで成功するのに対し、20人の学部生が100%の成功率でテストセットを4回完了した。
  論文  参考訳（メタデータ） (2026-10-13T03:46:48Z)
• 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)
• FADE: From Passive Verification to Active Discovery in Counterfactual Video Understanding [19.559643217912114]
  既存のMultiple-choice question (MCQ)ベンチマークは、質問や候補オプションを通じて、意図的にターゲットイベントをリークする。 本稿では, 対実的発見と説明のための効果的なトレーニングフレームワークであるFADEを紹介する。 FADEは、DualityVidQA-test と IPV-Bench の3つのタスクにまたがる、最先端の厳密なペアスコアを達成し、GPT-5.6を上回った。
  論文  参考訳（メタデータ） (2026-08-11T10:22:08Z)
• ViewMind3D: Modular View-Aware Inference for Training-Free 3D-QA [26.947027118604368]
  textbfViewMind3Dは、シーンを多視点で観察する3次元空間推論のための、完全にトレーニング不要でモジュラーなフレームワークである。 ViewMind3Dは,事前のトレーニング不要および微調整3D-LLMと比較して,競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2026-07-30T16:14:30Z)
• Do 3D Large Language Models Really Understand 3D Spatial Relationships? [80.64317885117704]
  3次元大言語モデルは3次元世界、特に物体間の空間的関係を理解していると主張している。 テキストのみの質問応答ペア上での言語モデルの微調整は、3D入力を使わずにSQA3Dベンチマークでこれらの手法を相容・超越することができる。 本稿では,より厳密な評価ベンチマークであるReal-3DQAを紹介する。
  論文  参考訳（メタデータ） (2026-03-06T16:04:34Z)
• FocalFormer3D : Focusing on Hard Instance for 3D Object Detection [97.56185033488168]
  3次元物体検出における偽陰性(False negatives, FN)は、自動運転において潜在的に危険な状況を引き起こす可能性がある。 本研究では,マルチステージ方式でtextitFN を識別する汎用パイプラインである Hard Instance Probing (HIP) を提案する。 この手法をFocalFormer3Dとしてインスタンス化する。
  論文  参考訳（メタデータ） (2023-08-08T20:06:12Z)
• SQA3D: Situated Question Answering in 3D Scenes [86.0205305318308]
  エンボディエージェントのシーン理解をベンチマークする新しいタスクを提案する:3次元シーンにおける質問回答(SQA3D) シーンコンテキストが与えられた場合、SQA3Dはテスト対象のエージェントに対して、まずテキストによって記述された3Dシーンの状況を理解し、その環境を判断し、その状況下での質問に答えるように要求する。 ScanNetの650のシーンに基づいて、20.4kの記述と33.4kの多様な推論問題とともに、6.8kのユニークな状況を中心としたデータセットを提供する。
  論文  参考訳（メタデータ） (2022-10-14T02:52:26Z)

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。