論文の概要: LocalAgent: Collaborative Agentic Verification for Fine-Grained Instance-Level Consistency

• arxiv url: http://arxiv.org/abs/2610.29174v1
• Date: Wed, 21 Oct 2026 04:04:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.199672
• Title: LocalAgent: Collaborative Agentic Verification for Fine-Grained Instance-Level Consistency
• Title（参考訳）: LocalAgent: 細粒度インスタンスレベル一貫性のための協調的エージェント検証
• Abstract要約: 本稿では,ジェネラリストMLLMと軽量スペシャリスト検証器を統合した協調エージェントフレームワークを提案する。 以上の結果から,LocalAgentは12.13%のサンプルで検証を行いながら,最強のCoT-RFTベースラインよりも平均精度を4.9%向上させることがわかった。 実験の結果、LocalAgentは12.13%のサンプルで検証を行う一方で、最強のCoT-RFTベースラインよりも平均精度を4.9%向上させることがわかった。
• 参考スコア（独自算出の注目度）: 16.22607900209896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal large language models (MLLMs) have made rapid progress in general visual understanding, yet they still struggle with fine-grained instance-level consistency verification, where the goal is to determine whether two images depict the exact same physical object under varying viewpoints, illumination, and backgrounds. This task requires both global semantic perception and precise examination of subtle local evidence, since semantically similar objects may differ only in small suspicious regions. To address this challenge, we propose LocalAgent, a collaborative agentic framework that integrates the complementary strengths of a generalist MLLM and lightweight specialist verifiers. The MLLM first reasons globally to identify suspicious local regions, which are then delegated to a Local Evidence Verifier (LEV) toolkit for fine-grained appearance and geometric matching. LEV comprises Local Appearance Consistency (LAC), which estimates appearance similarity under illumination and color changes, and Local Geometric Correspondence (LGC), which estimates spatial correspondence under viewpoint changes. LEV returns structured scalar evidence that the MLLM integrates for the final decision. We further introduce an auxiliary-capped reinforcement fine-tuning (RFT) strategy, in which answer correctness dominates auxiliary tool-use and format signals, enabling the policy to learn when verification is necessary. Experiments show that LocalAgent improves mean accuracy by 4.9% over the strongest CoT-RFT baseline while invoking a verifier on only 12.13% of samples and preserving the general multimodal capabilities of the underlying MLLM. The open-source repository is available at https://github.com/Firefly-zoo/LocalAgent-main.
• Abstract（参考訳）: MLLM(Multimodal large language model)は、一般的な視覚的理解において急速に進歩しているが、細かなインスタンスレベルの整合性検証に苦慮している。 このタスクは、大域的意味認識と微妙な局所的証拠の精密な検証の両方を必要とする。 この課題に対処するために,汎用MLLMと軽量特殊検証器の相補的強みを統合する協調エージェントフレームワークであるLocalAgentを提案する。 MLLMはまず、疑わしい局所領域を特定し、それを局所証拠検証器(LEV)ツールキットに委譲し、きめ細かい外観と幾何マッチングを行う。 LEVは、照明や色の変化による外観の類似性を推定するLocal Outearance Consistency (LAC)と、視点変化による空間対応を推定するLocal Geometric Cor correspondingence (LGC)で構成されている。 LEVはMLLMが最終決定のために統合されるという構造化されたスカラー証拠を返す。 さらに,回答の正しさが補助ツール使用およびフォーマット信号を支配し,検証が必要な時にポリシーが学習できるようにするRFT戦略を導入する。 実験の結果、LocalAgentは最も強力なCoT-RFTベースラインよりも平均精度を4.9%向上し、12.13%のサンプルに対して検証を呼び出し、基礎となるMLLMの一般的なマルチモーダル能力を保っていることがわかった。 オープンソースリポジトリはhttps://github.com/Firefly-zoo/LocalAgent-mainで公開されている。

関連論文リスト

• Small Agents with Semantic Search: Efficient Multilingual Code Localization [2.855228082831898]
  セマンティック検索によってファイルのローカライゼーションが向上し,精度,言語間移動,推論効率が向上することを示す。 ローカルなセマンティック検索ツールであるColGREPを中心に構築されたファイルローカライゼーションエージェントのためのトレーニングフレームワークを提案する。 検索クエリを定式化し、検索されたコンテンツを検査し、関連するファイルを識別するために、20億未満のパラメータを持つ3つのモデルファミリを訓練する。
  論文  参考訳（メタデータ） (2026-10-04T10:13:41Z)
• MinCU: A Fine-Grained Benchmark for Grounded Minimal-Change Understanding in Image Pairs [75.68851107229308]
  マルチモーダル大言語モデル(MLLM)において、身近な画像間のきめ細かい相違の局所化と記述は、重要で未探索の能力である。 各サンプルは、対象カテゴリ、属性、カウント、空間的位置の1つの原子的変化によって異なる画像対から構成される。
  論文  参考訳（メタデータ） (2026-09-20T03:48:09Z)
• ProtoRAG: Prototype-Based Retrieval Augmentation for Few-Shot Fine-Grained Remote Sensing Object Detection [14.475375107679731]
  リモートセンシング画像における微粒な物体検出は、限定的なアノテーションがオブジェクトの局所化と識別の両方をサポートする必要があるため、困難である。 本稿では,粗い局所化を微粒化認識から切り離すプロトタイプベースの検索拡張フレームワークProtoRAGを提案する。 本研究では,不確実性誘導型候補制約推論戦略を開発し,MLLMを検索した候補固有の視覚的参照で拡張する。
  論文  参考訳（メタデータ） (2026-09-05T07:40:19Z)
• Is It Time for the Renaissance of Salient Object Detection in the Era of MLLMs? [25.03825424390989]
  MLLM(Multimodal large language model)は、タスク固有の監視を超越した、有能なオブジェクト検出(SOD)を推進している。 SODをローカライズとセグメンテーションに分解し、フレーズ、ボックス、属性でデータセットを再エンジニアリングする。 We introduced the first training-free framework that leverages Collaborative attention for Unified SOD (FOCUS)。
  論文  参考訳（メタデータ） (2026-07-31T09:54:23Z)
• Connecting the Dots: Training-Free Visual Grounding via Agentic Reasoning [63.109585527799005]
  GroundingAgentは、タスク固有の微調整なしで動作するビジュアルグラウンドティングフレームワークである。 広く使用されているベンチマークでは、平均ゼロショットグラウンドの精度は65.1%である。 また、強い解釈可能性を提供し、各推論ステップを透過的に照らす。
  論文  参考訳（メタデータ） (2025-11-24T03:11:08Z)
• GLEAM: Learning to Match and Explain in Cross-View Geo-Localization [66.11208984986813]
  CVGL(Cross-View Geo-Localization)は、同じ地理的位置の異なる視点から撮影された画像間の対応を識別することに焦点を当てている。 GLEAM-Cは、UAV画像、ストリートマップ、パノラマ画像、地上写真を含む複数のビューとモダリティを衛星画像のみに合わせる基本CVGLモデルである。 従来のCVGL手法では解釈可能性の欠如に対処するため,クロスビュー対応予測と説明可能な推論を組み合わせたGLEAM-Xを提案する。
  論文  参考訳（メタデータ） (2025-09-09T07:14:31Z)
• CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
  評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。 数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。 我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
  論文  参考訳（メタデータ） (2025-08-05T17:55:24Z)

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。