論文の概要: RECAP: Looking Once Is Not Enough for Vision-Language Reasoning

• arxiv url: http://arxiv.org/abs/2610.30834v1
• Date: Thu, 22 Oct 2026 07:04:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.265662
• Title: RECAP: Looking Once Is Not Enough for Vision-Language Reasoning
• Title（参考訳）: RECAP: 一度見るだけではビジョンランゲージの推論には不十分
• Abstract要約: 本研究は,画像証拠の時間的局所的再活性化である視覚的再考によるギャップについて検討する。 本稿では,リビジットトレースをクレジットアサインメント信号に変換するトレーニング手法RECAPを提案する。 より大きなLoRA調整モデル、中国のゼロショットベンチマーク、視覚的摂動、人的評価の結果は、画像基底推論の堅牢な改善を示している。
• 参考スコア（独自算出の注目度）: 16.528971418792715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long chain-of-thought reasoning improves vision-language models (VLMs), but it also exposes a temporal grounding failure: as generation unfolds, models may drift from image evidence while reinforcement learning still provides only a final-answer reward. We study this gap through visual revisit, a temporally localized reactivation of image evidence during reasoning. Across three VLM backbones, revisit peaks are predictive of correctness and causally linked to performance: masking them degrades accuracy more than masking non-peaks, while injecting revisit-like peaks into failed rollouts partially restores correct answers. Control analyses show that this signal is not explained by raw attention strength, uncertainty, logit margin, or hidden-state norm. We propose RECAP, a GRPO-compatible training method that turns detached revisit traces into a credit-assignment signal. RECAP uses revisit-conditioned advantage estimation, dynamic discounting, and gated value prediction to propagate final rewards through visually important reasoning steps, without extra rewards, additional rollouts, or inference-time changes. Across Qwen2.5-VL-7B, InternVL3-8B, and LLaVA-OV-7B, RECAP consistently improves over GRPO and VPPO, yielding $+6.1$--$+6.5$ HallusionBench gains over the SFT base while preserving reasoning and text-only performance. Results on larger LoRA-tuned models, Chinese zero-shot benchmarks, visual perturbations, and human evaluation further demonstrate robust improvements in image-grounded reasoning.
• Abstract（参考訳）: 長いチェーンの推論は視覚言語モデル(VLM)を改善するが、同時に時間的根拠の失敗も露呈する: 生成が展開するにつれて、モデルは画像証拠から流れ出し、強化学習は依然として最終回答の報酬のみを提供する。 本研究は,画像証拠の時間的局所的再活性化である視覚的再考を通して,このギャップを考察する。 3つのVLMバックボーンにまたがって、リビジットピークは正確さを予測し、パフォーマンスに因果関係がある:マスキングは非ピークをマスキングするよりも精度を低下させ、リビジットのようなピークをロールアウトに注入すると、部分的に正解が復元される。 制御解析により、この信号は、生の注意力、不確実性、ロジットマージン、隠蔽状態ノルムによって説明されないことが示された。 本稿では,リビジットトレースをクレジットアサインメント信号に変換するGRPO互換のトレーニング手法RECAPを提案する。 RECAPでは、リビジョン条件付きベネフィット推定、ダイナミックディスカウント、ゲート値予測を使用して、視覚的に重要な推論ステップを通じて最終的な報酬を伝達する。 Qwen2.5-VL-7B、InternVL3-8B、LLaVA-OV-7Bで、RECAPはGRPOとVPPOよりも一貫して改善され、推論とテキストのみのパフォーマンスを維持しながら、SFTベースより$+6.1$-$+6.5$のHalusionBenchが得られる。 より大きなLoRA調整モデル、中国のゼロショットベンチマーク、視覚的摂動、人的評価の結果は、画像基底推論の堅牢な改善を示している。

関連論文リスト

• Rethinking Latent Visual Reasoning: Grounding Latent Reasoning in Visual Evidence [30.96534006962091]
  潜時視覚推論(LVR)は、単語のすべての推論ステップを表現するのではなく、連続的潜時トークンでの計算を可能にする。 テキストCoTとは異なり、潜伏推論は直接観察できないため、潜伏トークンが何を学ぶかを監督することは困難である。 本稿では,ReaLVRを提案する。これは,モデル自身の自由走行軌道に対して視覚的エビデンスを監督するものである。
  論文  参考訳（メタデータ） (2026-09-28T08:16:14Z)
• VPRune: Efficient Training-free Pre-LLM Visual Token Pruning [1.001355398440049]
  VPRuneは、視覚のみの多様性の選択、類似性の誘導されたトークンのリサイクル、位置保存修復からなる、トレーニングフリーのLLMプルーニングフレームワークである。 複数の視覚言語ベンチマークにおけるFastVLM-1.5Bの実験は、VPRuneが高い精度の圧縮トレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2026-09-21T12:24:39Z)
• Learning from Failures: Correction-Oriented Policy Optimization with Verifiable Rewards [73.44333771806282]
  RLVR(Reinforcement Learning with Verifiable Rewards)は,大規模言語モデルの推論能力向上に有効なパラダイムとして登場した。 本稿では,RLVRの簡易かつ効果的な拡張であるCIPO(Correction-Oriented Policy Optimization)を提案する。 CIPOは学習効率を向上し、モデルが自身のエラーを修正する能力を明示的に強化する。
  論文  参考訳（メタデータ） (2026-05-14T08:22:21Z)
• ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
  本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。 具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。 本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
  論文  参考訳（メタデータ） (2026-01-23T11:31:07Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Puzzle Curriculum GRPO for Vision-Centric Reasoning [7.117453620224407]
  本稿では,PC-GRPO(Puzzle Curriculum GRPO)について紹介する。 PC- GRPO はラベルを PatchFit と Rotation (バイナリ報酬付き) と Jigsaw (部分クレジット緩和報酬幅のグレード付き) の3つの自己教師型パズル環境に置き換える 平らな報酬に対処し,グループ相対的優位性を解消するために,サンプルやピークを動的に重み付けする難易度対応カリキュラムを中難度で導入する。
  論文  参考訳（メタデータ） (2025-12-16T22:17:25Z)
• Beyond Reasoning Gains: Mitigating General Capabilities Forgetting in Large Reasoning Models [33.214586668992965]
  検証可能な報酬(RLVR)による強化学習は、数学的およびマルチモーダル推論において驚くべき成果を上げている。 汎用知識のための動的客観的リウェイトを用いたRECAP-aリプレイ戦略を提案する。 本手法はエンド・ツー・エンドであり,既存のRLVRパイプラインに適用可能である。
  論文  参考訳（メタデータ） (2025-10-24T19:08:48Z)
• Token-Level Inference-Time Alignment for Vision-Language Models [58.41370989069588]
  VLM(Vision-Language Models)は、現代のマルチモーダルインテリジェンスの重要なバックボーンとなっている。 本稿では,基本VLMを凍結し,その分布を近似する報酬モデルをトレーニングする軽量フレームワークTITAを提案する。 推測中、暗黙の選好信号は報酬モデルと目標VLMの対数確率比として抽出され、密集した自己回帰フィードバックが得られる。
  論文  参考訳（メタデータ） (2025-10-20T09:58:03Z)
• GTR: Guided Thought Reinforcement Prevents Thought Collapse in RL-based VLM Agent Training [62.536191233049614]
  検証結果報酬(RLVR)を用いた強化学習は、大規模言語モデル(LLM)におけるチェーン・オブ・ソート(CoT)推論を効果的にスケールアップした。 本研究は、24点やALFWorldの具体化タスクなど、複雑なカードゲームに関する広範な実験を通じてこの問題を調査する。 報酬が行動結果にのみ基づく場合、RLはVLMにおけるCoT推論の動機付けに失敗し、代わりに思考崩壊と呼ばれる現象が生じる。
  論文  参考訳（メタデータ） (2025-03-11T15:17:02Z)

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。