論文の概要: Look Before You Reason: Implicit Visual Thinking for Efficient Multimodal Reasoning

• arxiv url: http://arxiv.org/abs/2610.27341v1
• Date: Mon, 19 Oct 2026 22:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.532105
• Title: Look Before You Reason: Implicit Visual Thinking for Efficient Multimodal Reasoning
• Title（参考訳）: 効率的なマルチモーダル推論のための視覚的思考
• Abstract要約: 視覚言語モデル(VLM)は多モーダル推論において急速に進歩している。 画像による最近の思考は、ズーム、トリミング、コード実行などの操作を通じて、モデルを検査することで、この制限を緩和する。 単ターンVLMインタラクションにおける効率的な視覚的推論のための暗黙的な視覚的思考フレームワークであるLook Before You Reason(LoRe)を提案する。
• 参考スコア（独自算出の注目度）: 53.33244807951443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) have advanced rapidly in multimodal reasoning, yet they remain limited on tasks requiring fine-grained understanding of small or easily overlooked image regions. Recent thinking with images approaches mitigate this limitation by allowing models to inspect images through operations such as zooming, cropping, or code execution. While effective, their multi-turn interactions with VLMs introduce redundant token computation and slow inference, and separate region inspection from the reasoning step that depends on it. To address these issues, we propose Look Before You Reason (LoRe), an implicit visual thinking framework for efficient visual reasoning within a single-turn VLM interaction. Given an image and a question, LoRe predicts the most relevant image region, aligns it with the corresponding image patch features, and strengthens the associated key-value (KV) cache entries, enabling subsequent decoding to directly exploit the selected visual cues without additional visual inputs or explicit tool calls. We further employ reinforcement learning to guide the VLM toward identifying informative image regions and leveraging them during reasoning. To support fine-grained evaluation of multimodal reasoning, we introduce COCO-ObjQA, a large-scale benchmark for object-centric multimodal reasoning. Experiments on three challenging multimodal benchmarks demonstrate that LoRe consistently improves VLM reasoning performance with low additional inference overhead.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、マルチモーダル推論において急速に進歩しているが、小さな領域や容易に見落とされた画像領域のきめ細やかな理解を必要とするタスクに限られている。 画像による最近の思考は、ズーム、トリミング、コード実行などの操作を通じて、モデルを検査することで、この制限を緩和する。 有効ではあるが、VLMとのマルチターン相互作用は冗長なトークン計算と遅い推論を導入し、それに依存する推論ステップから領域検査を分離する。 このような問題に対処するために,一ターンのVLMインタラクション内での視覚的推論を効率的に行う暗黙の視覚的思考フレームワークであるLook Before You Reason (LoRe)を提案する。 画像と疑問が与えられた後、LoReは最も関連性の高い画像領域を予測し、対応するイメージパッチ機能と整列し、関連するキー値(KV)キャッシュエントリを強化する。 我々はさらに、情報的画像領域を特定し、推論中にそれらを活用するために、VLMを指導するために強化学習を採用する。 マルチモーダル推論の詳細な評価を支援するため,オブジェクト中心のマルチモーダル推論のための大規模ベンチマークであるCOCO-ObjQAを導入する。 3つの挑戦的なマルチモーダルベンチマークの実験により、LoReは推論オーバーヘッドの少ないVLM推論性能を一貫して改善することを示した。

関連論文リスト

• LanteRn: Latent Visual Structured Reasoning [7.141402207573525]
  本稿では,視覚的推論を潜在空間で直接実行可能にするフレームワークであるLanteRnを紹介する。 LanteRnは、推論中に連続的な視覚的思考の埋め込みを生成し、参加する能力を持つ視覚言語変換器を増強する。 我々はLanteRnを3つの知覚中心ベンチマーク(VisCoT, V*, Blink)で評価する。
  論文  参考訳（メタデータ） (2026-03-26T16:41:59Z)
• Do MLLMs Really See It: Reinforcing Visual Attention in Multimodal LLMs [55.61018839017648]
  CoT(Chain-of- Thought)推論は、複雑な推論タスクにおいて、MLLM(Multimodal large language model)を大幅に改善した。 既存のアプローチは、主に長いテキスト推論軌道に依存し、安定した視覚的注意ポリシーを学ぶための限られたメカニズムを提供する。 地域レベルの視覚的注意に基づく報酬を導入する強化学習フレームワークを用いて訓練された視覚的推論モデルであるSAYOを提案する。
  論文  参考訳（メタデータ） (2026-02-09T03:33:23Z)
• More Images, More Problems? A Controlled Analysis of VLM Failure Modes [80.64323947730905]
  大規模視覚言語モデル (LVLM) は目覚ましい能力を示しているが、複数の画像に対する理解と推論の能力は未解明のままである。 LVLMのマルチイメージ能力を厳格に評価する新しいベンチマークMIMICを紹介する。
  論文  参考訳（メタデータ） (2026-01-12T18:45:13Z)
• Retrieval-Based Interleaved Visual Chain-of-Thought in Real-World Driving Scenarios [69.00444996464662]
  RIV-CoT(Retrieval-based Interleaved Visual Chain-of-Thought法)を提案する。 実験の結果, RIV-CoTの解答精度は3.1%向上し, バニラCoTの解答精度は4.6%向上した。
  論文  参考訳（メタデータ） (2025-01-08T18:31:16Z)
• ProReason: Multi-Modal Proactive Reasoning with Decoupled Eyesight and Wisdom [59.92786855289658]
  本稿ではProReasonという新しいビジュアル推論フレームワークを紹介する。 ProReasonは、分離されたビジョン推論機能とマルチランプロアクティブな知覚を備えている。 実験の結果, ProReasonは様々なベンチマークにおいて, 既存のマルチステップ推論フレームワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-10-18T03:22:06Z)
• Chain-of-Spot: Interactive Reasoning Improves Large Vision-Language Models [81.71651422951074]
  CoS(Chain-of-Spot)法は,注目領域に着目して特徴抽出を強化する手法である。 この技術により、LVLMは元の画像解像度を変更することなく、より詳細な視覚情報にアクセスすることができる。 実験の結果,LVLMの視覚的内容の理解と推論能力は著しく改善した。
  論文  参考訳（メタデータ） (2024-03-19T17:59:52Z)

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。