論文の概要: DuoCook: An Overcooked-Inspired Benchmark for Visual Planning and Coordination
- arxiv url: http://arxiv.org/abs/2610.31511v1
- Date: Thu, 22 Oct 2026 16:26:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.475996
- Title: DuoCook: An Overcooked-Inspired Benchmark for Visual Planning and Coordination
- Title(参考訳): DuoCook: ビジュアルプランニングとコーディネーションのためのオーバークッキングインスパイアされたベンチマーク
- Abstract要約: 調理作業における2人のプレーヤーの調整には、変化するシーンの状態を追跡し、レシピの手順をシークエンスし、時間予算の下で共有リソースを割り当てるビジョン言語エージェントが必要である。
我々は,コーディングエージェントを用いて構築したUnreal Engine環境において,これらの機能を評価するためのオーバークッキング・インスパイアされたベンチマークを紹介する。
- 参考スコア(独自算出の注目度): 9.532609458457802
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coordinating two players in a cooking task requires a vision-language agent to track changing scene states, sequence recipe steps, and allocate shared resources under a time budget. We introduce an Overcooked-inspired benchmark for evaluating these capabilities in Unreal Engine environments constructed using coding agents. A single vision-language model controls both players from top-down visual observations, selecting high-level actions while the engine executes navigation. The benchmark contains 20 maps in five categories. These categories support evaluation of centralized coordination under equipment contention, changing terrain, and handoff dependencies. A prop legend and pot ingredient-count indicators provide explicit visual cues, while grid-based destinations support spatial grounding. The evaluation compares four VLMs on all 20 maps, measuring task score, order completion, delivery precision, action acceptance rate, and model API expenditure. A memory ablation on the same 20 maps examines the effect of a shared, self-authored notebook while retaining six-response action history in both conditions. The strongest evaluated model, \texttt{gpt-6-astra}, achieves 26.2\% mean order completion. Notebook memory has mixed score effects across models, with positive mean differences for Claude and Qwen and negative differences for GPT and Gemini.
- Abstract(参考訳): 調理作業における2人のプレーヤーの調整には、変化するシーンの状態を追跡し、レシピの手順をシークエンスし、時間予算の下で共有リソースを割り当てるビジョン言語エージェントが必要である。
我々は,コーディングエージェントを用いて構築したUnreal Engine環境において,これらの機能を評価するためのオーバークッキング・インスパイアされたベンチマークを紹介する。
単一の視覚言語モデルが両方のプレイヤーをトップダウンの視覚観察から制御し、エンジンがナビゲーションを実行している間にハイレベルなアクションを選択する。
ベンチマークには5つのカテゴリに20のマップが含まれている。
これらのカテゴリは、機器の競合、地形の変化、およびハンドオフ依存による集中的な調整の評価を支援する。
プロペラ伝説とポット成分数指標は明確な視覚的手がかりを提供するが、グリッドベースの目的地は空間的接地を支援する。
評価は、タスクスコア、注文完了、配送精度、アクション受け入れ率、モデルAPI支出の計4つのVLMを比較した。
同じ20個のマップ上のメモリアブレーションは、共有された自称ノートブックの効果を調べ、両方の条件で6つのレスポンスアクション履歴を保持する。
最も評価の高いモデルである \texttt{gpt-6-astra} は平均注文数26.2\% を達成する。
ノートブックメモリは、Claude と Qwen の正の平均差と GPT と Gemini の負の差とともに、モデル間でスコア効果が混合されている。
関連論文リスト
- IChart2Code: Benchmarking Multimodal Large Language Models for Interactive Chart Code Generation [11.917166961984114]
インタラクティブなチャートコード生成には、参照チャートの外観と基盤となるデータを再現するモデルが必要である。
既存のチャート・トゥ・コードベンチマークでは静的なアウトプットに重点を置いており、インタラクション仕様やブラウザの実行、インタラクション後の検証のためのタスク表現や評価プロトコルが欠如している。
IChart2Codeは、20のチャート形式と13のデータファミリーにわたる377のタスクからなるベンチマークであり、6つのファミリーで1209のインタラクション要求がある。
論文 参考訳(メタデータ) (2026-09-26T09:40:57Z) - TraceGraph: Shared Decision Landscapes for Diagnosing and Improving Agent Trajectories [61.51984029109709]
グラフベースのフレームワークであるTraceGraphを紹介した。
各タスクに対して、TraceGraphは、モデルIDが導入される前に、プールされたロールアウトから観測可能なアクション・オブザーブレーション状態のグラフを構築する。
次に、結果インフォームされた生産的なコアとトラップリージョンをオーバーレイし、各ロールアウトを3つのイベント – アクセス、トラップ露出、修復 – で要約する。
論文 参考訳(メタデータ) (2026-05-29T13:40:31Z) - AsgardBench -- Evaluating Visually Grounded Interactive Planning Under Minimal Feedback [28.254110943200683]
AsgardBenchは、視覚的に基礎があり、ハイレベルなアクションシーケンス生成と対話的な計画を評価することを目指している。
評価の結果,視覚的入力を使わずに性能が急激に低下し,視覚的接地や状態追跡の弱点が明らかとなった。
私たちのベンチマークでは,より限定的な疑問に言及しています – 期待通りに進まなければ,実際に計画に適応するために,モデルが見ているものを使用することは可能ですか?
論文 参考訳(メタデータ) (2026-03-16T20:31:43Z) - GTA1: GUI Test-time Scaling Agent [97.58177633084915]
グラフィカルユーザインタフェース(GUI)は、ユーザ命令をアクションプロポーザルに順次分解することで、プラットフォーム(例えばLinux)間で自律的にタスクを完了させる。
本稿では,前述の textbfGUI textbfTest-time Scaling textbfAgent,すなわち GTA1 の課題について検討する。
論文 参考訳(メタデータ) (2025-07-08T08:52:18Z) - DECOMPL: Decompositional Learning with Attention Pooling for Group
Activity Recognition from a Single Volleyball Image [3.6144103736375857]
グループアクティビティ認識(GAR)は、複数のアクターがシーンで実行するアクティビティを検出することを目的としている。
本稿では,バレーボールビデオのための新しいGAR手法であるDECOMPLを提案する。
視覚枝では、アテンションプールを用いた特徴を選択的に抽出する。
座標系ではアクターの現在の構成を考慮し、ボックス座標から空間情報を抽出する。
論文 参考訳(メタデータ) (2023-03-11T16:30:51Z) - GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。
不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。
我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
論文 参考訳(メタデータ) (2022-11-04T16:10:50Z) - Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。
時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
論文 参考訳(メタデータ) (2022-01-11T16:15:25Z) - ConsNet: Learning Consistency Graph for Zero-Shot Human-Object
Interaction Detection [101.56529337489417]
画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。
我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。
提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
論文 参考訳(メタデータ) (2020-08-14T09:11:18Z)
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。