論文の概要: Testing Associative Creativity in Humans and Multimodal LLMs with Difficult-to-Name Visual Stimuli

• arxiv url: http://arxiv.org/abs/2610.27894v1
• Date: Tue, 20 Oct 2026 09:13:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.73738
• Title: Testing Associative Creativity in Humans and Multimodal LLMs with Difficult-to-Name Visual Stimuli
• Title（参考訳）: 難易度視覚刺激によるヒトとマルチモーダルLDMの連想的創造性試験
• Abstract要約: 人間による抽象的視覚刺激の記述と多モーダル大言語モデル(MLLM)における連想的創造性について検討する。 我々は,難易度を制御した2つのデータセットを用いて,創造性,独創性,有効性という2つの次元で,最先端のMLLMとヒトの参加者を評価した。
• 参考スコア（独自算出の注目度）: 10.32566649726468
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We investigate associative creativity in descriptions of abstract visual stimuli by humans and multimodal large language models (MLLMs). While conceptual association is central to human communication, it remains unclear how humans and models adapt when visual stimuli become increasingly difficult to map onto familiar semantic concepts. We evaluate several state-of-the-art MLLMs and human participants along two dimensions of creativity, originality and effectiveness, using two datasets with controlled manipulations of difficulty. SilCC varies naming difficulty through progressively more complex combinations of abstract shapes, and PixCC varies difficulty through increasing levels of random visual noise. Results show that humans produce more diverse associative descriptions than MLLMs, including greater semantic distance, higher entropy, and more novel expressions relative to reference lexica. As difficulty increases, effectiveness declines in SilCC, and humans increasingly shift from holistic associations to descriptions of low-level visual properties in PixCC.
• Abstract（参考訳）: 本研究では,人間による抽象的視覚刺激の記述と多モーダル大言語モデル(MLLM)の関連性について検討する。 概念的関連性は人間のコミュニケーションの中心であるが、視覚的刺激が慣れ親しんだセマンティックな概念にマッピングすることがますます困難になったとき、人間やモデルがどのように適応するかはいまだ不明である。 我々は,難易度を制御した2つのデータセットを用いて,創造性,独創性,有効性という2つの次元で,最先端のMLLMとヒトの参加者を評価した。 SilCCは抽象的な形状のより複雑な組み合わせによって命名困難が変化し、PixCCはランダムな視覚ノイズのレベルの増加によって困難が変化する。 以上の結果から,ヒトはMLLMよりも,より意味的距離,エントロピーが高く,レキシカに対する表現がより新しいことが示唆された。 難易度が高まるにつれて、SilCCの有効性が低下し、ヒトはより包括的関連からPixCCの低レベルの視覚特性の記述へと移行する。

関連論文リスト

• Mind's Eye: A Benchmark of Visual Abstraction, Transformation and Composition for Multimodal LLMs [31.411469692692766]
  我々は,古典的な人間の知能テストに触発された8つの視覚認知タスクのベンチマークである"Mind's Eye"を紹介する。 タスクは、パターン誘導、アナログ関係マッピング、メンタルトランスフォーメーションなどの流体インテリジェンスのコアプロセスを探索する。 人間は80%の精度を達成し、トップパフォーマンスのMLLMは50%以下にとどまる。
  論文  参考訳（メタデータ） (2026-04-17T13:29:46Z)
• Toward Cognitive Supersensing in Multimodal Large Language Model [67.15559571626747]
  我々は,MLLMに人間のような視覚的特徴を付与する訓練パラダイムであるCognitive Supersensingを紹介する。 実験では、CogSense-BenchでCognitive Supersensingを訓練したMLLMが、最先端のベースラインを大きく上回った。 私たちはCogSense-Benchとモデルウェイトをオープンソースにします。
  論文  参考訳（メタデータ） (2026-02-02T02:19:50Z)
• Hyperphantasia: A Benchmark for Evaluating the Mental Visualization Capabilities of Multimodal LLMs [22.46006112029019]
  メンタル・ヴィジュアライゼーションは人間にとって重要な認知能力であり、空間ナビゲーション、物理的な軌道予測、想像的シミュレーションによる複雑な視覚問題の解決などの能力をサポートする。 マルチモーダル大規模言語モデル (MLLM) の心的可視化能力を評価するために, 慎重に構築された4つのパズルを用いて, ハイパーファンタジア(Hyperphantasia)を提案する。 我々の最先端モデルに対する包括的評価は、人間とMLLMの性能の間に大きなギャップがあることを示唆している。
  論文  参考訳（メタデータ） (2025-07-16T05:54:37Z)
• Visual Abstract Thinking Empowers Multimodal Reasoning [11.70318717106245]
  画像は通常、テキストよりもリッチな詳細を伝達するが、多モード推論性能を低下させる冗長な情報を含むことが多い。 この認知戦略に触発されて、視覚的抽象思考(VAT)を導入する。 VATは、明示的な言語思考や精巧なガイダンスではなく、視覚的に抽象的なマルチモーダル大言語モデル(MLLM)を推進します。 実験の結果,VATはGPT-4oベースラインよりも平均17%向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-26T16:06:35Z)
• Imagine while Reasoning in Space: Multimodal Visualization-of-Thought [70.74453180101365]
  大型言語モデル(LLM)とマルチモーダル大規模言語モデル(MLLM)の複雑な推論を強化するために、CoTプロンプト(Chain-of-Thought)が有効であることが証明された。 我々は新しい推論パラダイムであるMultimodal Visualization-of-Thought (MVoT)を提案する。 MLLMにおいて、推論トレースの画像視覚化を生成することにより、視覚的思考を可能にする。
  論文  参考訳（メタデータ） (2025-01-13T18:23:57Z)
• EAGLE: Enhanced Visual Grounding Minimizes Hallucinations in Instructional Multimodal Models [54.234657224615354]
  大規模な言語モデルと視覚変換器は、ダウンストリームタスクにおいて大きな転送可能性を実現する、印象的なゼロショット機能を示している。 膨大な画像と言語の事前学習を取り入れているにもかかわらず、これらのマルチモーダルアーキテクチャは、画像データの基底真理から逸脱する応答をしばしば生成する。 幻覚を緩和する現在の方法は、一般的に言語コンポーネントの正規化、融合モジュールの改善、視覚表現を改善するために複数の視覚エンコーダのアンサンブルに焦点を当てている。 従来のコントラスト付き事前学習タスクを手軽に書き換えることで,教育用マルチモーダルアーキテクチャに組み込まれたビジュアルエンコーダが,追加の指導訓練を行なわずに実現可能であることを示す。
  論文  参考訳（メタデータ） (2025-01-06T00:39:31Z)
• Mitigating Hallucinations of Large Language Models in Medical Information Extraction via Contrastive Decoding [92.32881381717594]
  医療情報抽出タスクにおける幻覚の問題を解決するために,ALCD(ALternate Contrastive Decoding)を導入する。 ALCDは, 従来の復号法に比べて幻覚の解消に有意な改善が見られた。
  論文  参考訳（メタデータ） (2024-10-21T07:19:19Z)
• Unleashing the Emergent Cognitive Synergy in Large Language Models: A Task-Solving Agent through Multi-Persona Self-Collaboration [116.09561564489799]
  Solo Performance Promptingは、複数のペルソナと多ターンの自己コラボレーションをすることで、単一のLCMを認知的シナジストに変換する。 認知シナジスト(英: Cognitive Synergist)は、複雑なタスクにおける問題解決を強化するために、複数の心の強みと知識を協調的に結合するインテリジェントエージェントである。 より詳細な分析により,LLMに複数の微粒なペルソナを割り当てることによって,単一あるいは固定数のペルソナに比べて問題解決能力が向上することが示された。
  論文  参考訳（メタデータ） (2023-07-11T14:45:19Z)

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。