論文の概要: $Ψ$-0.6: Adaptive Streams of Thought in a Unified Vision-Language World Model

• arxiv url: http://arxiv.org/abs/2610.32177v1
• Date: Fri, 23 Oct 2026 05:24:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.394423
• Title: $Ψ$-0.6: Adaptive Streams of Thought in a Unified Vision-Language World Model
• Title（参考訳）: $$-0.6:Unified Vision-Language World Modelにおける思考の適応ストリーム
• Abstract要約: $-0.6は、認識、言語、幾何学、シミュレーションを共通の推論プロセス内で適応的に構成する統合視覚言語世界モデルである。 $-0.6は、マルチビュー空間推論において、主要なオープンウェイトモデルであるゼロショットを上回っている。
• 参考スコア（独自算出の注目度）: 8.942632185933466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans reason about the physical world by flexibly combining different forms of inference as a problem unfolds. Achieving this flexibility is a major open challenge in AI: capabilities often remain separated across specialized models, limiting how they can be composed and jointly adapted to a task. We introduce $Ψ$-0.6, a unified vision-language world model that adaptively composes perception, language, geometry, and simulation within a shared reasoning process we call streams of thought. These streams interleave images, text, and explicit representations of geometry and motion, all of which the model can generate and interpret through a shared token interface. $Ψ$-0.6 surpasses leading open-weight models zero-shot on multi-view spatial reasoning, with further gains from reasoning through geometric intermediates. It also supports counterfactual simulation: generating and interpreting imagined scenes to determine, for example, whether moving an object would obstruct a pathway. Reinforcement learning from task feedback jointly optimizes the selection, generation, and use of intermediate representations, improving visual question-answering accuracy with gains that transfer to unseen benchmarks. $Ψ$-0.6 offers a path toward adaptive physical reasoning -- not only predicting the physical world but also choosing the representations through which to reason.
• Abstract（参考訳）: 人間は、様々な形の推論を柔軟に組み合わせることで、物理世界について理屈を定めている。 この柔軟性を達成することは、AIの大きなオープンな課題である。機能はしばしば、特定のモデル間で分離され、どのように構成され、タスクに共同で適応するかを制限する。 我々は、思考の流れと呼ばれる共有推論プロセスにおいて、知覚、言語、幾何学、シミュレーションを適応的に構成する統合視覚言語世界モデルである$$-0.6を導入する。 これらのストリームは、画像、テキスト、および幾何学と運動の明示的な表現をインターリーブする。 $$-0.6は、多視点空間的推論において、主要なオープンウェイトモデルであるゼロショットを上回り、幾何学的中間から推論によってさらに利益を得る。 例えば、物体の移動が経路を妨害するかどうかを判断するために、想像されたシーンを生成し、解釈する。 タスクフィードバックからの強化学習は、中間表現の選択、生成、使用を共同で最適化し、未知のベンチマークに転送するゲインによる視覚的質問応答精度を向上させる。 $$-0.6は、適応的な物理的推論への道を提供する -- 物理的な世界を予測するだけでなく、推論する表現も選択する。

関連論文リスト

• Reasoning with Image Generation [18.95650438552521]
  思考の連鎖推論は、大きな言語モデルが答える前に問題を中間ステップに分解できるようにすることによって自然言語処理に革命をもたらした。 本稿では,マルチモーダルLLMのためのフレキシブルな視覚推論機構として,画像生成モデルを活用するReImaGinを提案する。 ReImaGinはテキストのみの推論とビジョンツールのベースラインの両方を一貫して上回り、最大25%のゲインを達成しています。
  論文  参考訳（メタデータ） (2026-09-14T22:29:03Z)
• FlowInOne:Unifying Multimodal Generation as Image-in, Image-out Flow Matching [86.31254356971506]
  FlowInOneは、純粋なビジュアルフローとしてマルチモーダル生成を再構成するフレームワークである。 テキスト・ツー・イメージ生成、レイアウト誘導編集、ビジュアル・インストラクションを1つのコヒーレント・パラダイムで統一する。 オープンソースモデルと競合する商用システムの両方を超越して、すべての統一された生成タスクにおける最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-04-08T07:22:08Z)
• Think in Strokes, Not Pixels: Process-Driven Image Generation via Interleaved Reasoning [59.262311672150055]
  プロセス駆動画像生成は多段階のパラダイムで、合成をインターリーブな推論軌道に分解する。 プロセス駆動生成の核となる課題は、中間状態のあいまいさに起因する。 2つの相補的な制約を維持する、密集したステップワイドな監視を通じてこの問題に対処する。
  論文  参考訳（メタデータ） (2026-04-06T15:11:57Z)
• LatentUM: Unleashing the Potential of Interleaved Cross-Modal Reasoning via a Latent-Space Unified Model [47.486827808818184]
  共有セマンティック潜在空間内のすべてのモダリティを表す新しい統一モデルであるLatentUMを紹介する。 LatentUMはバイアスを大幅に軽減し、クロスモーダルアライメントを強化し、ビジュアル空間計画ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-02T14:22:29Z)
• OrigamiBench: An Interactive Environment to Synthesize Flat-Foldable Origamis [28.493060188882314]
  物理的な世界で計画し、行動し、創造できるAIシステムを構築するには、パターン認識以上のものが必要です。 このようなシステムは、シーケンシャルな決定を導くために、物理的プロセスを管理する因果的メカニズムや制約を理解する必要がある。 この能力は、内部言語モデルに類似した内部表現に依存しており、観察、行動、その結果の環境変化を関連づけている。 モデルが折り畳みを反復的に提案し,対象設定と物理的妥当性および類似性に関するフィードバックを受け取る,インタラクティブなベンチマークであるOrigamiBenchを紹介する。
  論文  参考訳（メタデータ） (2026-03-14T09:33:29Z)
• A Multimodal Framework for Aligning Human Linguistic Descriptions with Visual Perceptual Data [0.0]
  人間の参照解釈の中核的な側面をモデル化する計算フレームワークを提案する。 スタンフォード・リピート・レファレンス・ゲーム・コーパス(Stanford Repeated Reference Game corpus)のモデルを評価する。 その結果, 比較的単純な知覚言語的アライメント機構は, 人間の競争行動をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2026-02-23T07:20:11Z)
• FronTalk: Benchmarking Front-End Development as Conversational Code Generation with Multi-Modal Feedback [92.67587639164908]
  マルチモーダルフィードバックを備えたフロントエンドコード生成のベンチマークであるFronTalkを紹介する。 我々は、フロントエンド開発タスクに集中し、100のマルチターン対話のコレクションであるFronTalkをキュレートする。 20モデルの評価は、文献で体系的に調査されていない2つの重要な課題を明らかにしている。
  論文  参考訳（メタデータ） (2025-12-05T23:28:09Z)
• Hierarchical Banzhaf Interaction for General Video-Language Representation Learning [60.44337740854767]
  マルチモーダル表現学習は人工知能領域において重要な役割を担っている。 本稿では,多変量協調ゲーム理論を用いて,ビデオテキストをゲームプレイヤーとしてモデル化する手法を提案する。 元の構造をフレキシブルなエンコーダ・デコーダ・フレームワークに拡張し、モデルが様々な下流タスクに適応できるようにする。
  論文  参考訳（メタデータ） (2024-12-30T14:09:15Z)

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。