論文の概要: Tempo-Zero: Recursive Self-Play in Executable Worlds for Video Reasoning

• arxiv url: http://arxiv.org/abs/2610.32433v1
• Date: Fri, 23 Oct 2026 09:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.488392
• Title: Tempo-Zero: Recursive Self-Play in Executable Worlds for Video Reasoning
• Title（参考訳）: Tempo-Zero:ビデオ推論のための実行可能な世界での再帰的なセルフプレイ
• Abstract要約: 本稿では,ビデオセルフプレイのための自己改善フレームワークであるTempo-Zeroを紹介する。 実行環境、実行検証されたセルフプレイ、環境進化のループを閉じる。 我々は,Tempo-Zeroが,12の実世界のビデオベンチマークにおいて,ベースモデルと最近のセルフプレイベースラインを平均的に上回っていることを示す。
• 参考スコア（独自算出の注目度）: 78.21452140501229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video reasoning requires understanding how events unfold over time, yet videos with accurate temporal annotations are expensive to collect. Self-play offers an alternative by letting a model generate and solve its own tasks without manual annotation. However, existing video self-play methods train on fixed sets of recorded videos, so they cannot alter the underlying event dynamics and rely on noisy pseudo-labels derived from the model's own outputs, such as majority voting, that risk reinforcing shared model errors. To overcome these limitations, we introduce Tempo-Zero, a self-improvement framework that closes a loop of executable environments, execution-verified self-play, and environment evolution, where executing a program renders a video with the ground-truth option and interval of every question. A single policy plays both Questioner and Solver, proposing questions and answering them with timestamped evidence lines, and is trained on execution-grounded rewards instead of model consensus. The Solver's performance steers a curriculum over tasks and difficulty levels, and the policy selects rule changes that enrich the event dynamics of later rounds. Despite being trained solely on simple programs, without supervised fine-tuning or external video data which prior methods typically require, Tempo-Zero outperforms the base models and recent self-play baselines on average across twelve real-world video benchmarks at different model scales, with particularly strong gains on temporal grounding tasks. Project page: https://alchemist-jo.github.io/tempo-zero/
• Abstract（参考訳）: ビデオ推論はイベントが時間とともにどのように広がるかを理解する必要があるが、正確な時間的アノテーションを持つビデオは収集に費用がかかる。 セルフプレイは、手動のアノテーションなしでモデルが独自のタスクを生成し、解決する代替手段を提供する。 しかし、既存のビデオセルフプレイ手法では、記録されたビデオの固定セットをトレーニングしているため、基礎となるイベントのダイナミクスを変更したり、モデルの出力から派生したノイズの多い擬似ラベルを頼りにすることなく、共有モデルのエラーを補強する危険性がある。 このような制限を克服するために,実行環境のループを閉じる自己改善フレームワークであるTempo-Zeroを紹介した。 単一のポリシーは、質問者と解決者の両方を演じ、質問を提案し、タイムスタンプ付きの証拠ラインで答え、モデルコンセンサスではなく、実行済みの報酬に基づいて訓練される。 ソルバーのパフォーマンスは、タスクと難易度に関するカリキュラムを操縦し、ポリシーは、後のラウンドのイベントダイナミクスを豊かにするルール変更を選択する。 単純なプログラムだけに訓練されているにもかかわらず、従来の手法が必要とする微調整や外部のビデオデータを監督することなく、Tempo-Zeroは、異なるモデルスケールの12の実世界のビデオベンチマークで平均して、ベースモデルと最近のセルフプレイベースラインを上回っている。 プロジェクトページ: https://alchemist-jo.github.io/tempo-zero/

関連論文リスト

• VideoEvoHarness: Self Evolving Agent Harness from Unlabeled Videos for Video Understanding [57.59430033815855]
  ビデオ理解エージェントは、証拠の取得、ツールの使用、推論にハーネスを頼っているが、それを改善するにはかなりの努力が必要だ。 近年の自己進化的手法は,人的介入を減らすために,実行フィードバックを通じて活用を最適化することを目指している。 VideoEvoHarnessは、凍結したモデルパラメータを持つ未ラベルのビデオから、質問者とSolverのハーネスを共同で進化させる。
  論文  参考訳（メタデータ） (2026-10-11T06:36:08Z)
• EvoVid: Temporal-Centric Self-Evolution for Video Large Language Models [44.97714162696323]
  ビデオ大言語モデル(ビデオ-LLM)は、強化学習(RL)による映像推論において強力な能力を示した。 本稿では,ビデオLLMが生の無注釈ビデオから直接改善できる時間中心の自己進化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-21T03:00:35Z)
• Sound Sparks Motion: Audio and Text Tuning for Video Editing [53.136757756110626]
  本研究では、オーディオ映像生成モデルにおけるモーション編集を可能にする、トレーニング不要のフレームワークであるSound Sparks Motionを紹介する。 Sound Sparks Motionはテスト時に内部のマルチモーダルコンディショニング信号を調整します。 この結果から,マルチモーダル・コンディショニング・チューニングをモーション対応ビデオ編集の有望な方向として強調した。
  論文  参考訳（メタデータ） (2026-05-14T18:20:50Z)
• Time-R1: Post-Training Large Vision Language Model for Temporal Video Grounding [57.26400319795876]
  時間的ビデオグラウンディング(TVG)は、長めのビデオ理解における中核的な課題である。 近年のLVLM(Large Vision-Language Models)は,教師付き微調整によるTVG処理の早期実現を示唆している。 強化学習によるLVLMの一般化能力を高める新しいポストトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-17T17:04:20Z)
• Vid-Morp: Video Moment Retrieval Pretraining from Unlabeled Videos in the Wild [30.99346916414286]
  本稿では,アノテーションのコスト削減のための新しいパラダイムを提案する。 不完全な疑似アノテーションの直接事前学習は、不一致の文-ビデオペアや不正確な時間境界など、重大な課題を呈する。 本稿では,セマンティックス誘導の洗練とメモリ・コンセンサス補正の2つの相からなるReCorrectアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-01T13:49:21Z)
• STAIR: Spatial-Temporal Reasoning with Auditable Intermediate Results for Video Question Answering [42.173245795917026]
  本稿では,ビデオ質問応答のための時空間推論モデルSTAIRを提案する。 STAIRは、与えられた質問を複数のサブタスクの階層的な組み合わせに分解するプログラムジェネレータを含むニューラルネットワークである。 我々は、STAIRのパフォーマンス、説明可能性、事前訓練されたモデルとの互換性、プログラムアノテーションが利用できない場合の適用性を示すために、いくつかのビデオ質問応答データセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2024-01-08T14:01:59Z)
• Time Does Tell: Self-Supervised Time-Tuning of Dense Image Representations [79.87044240860466]
  本稿では,高密度自己教師あり学習における時間的一貫性を取り入れた新しい手法を提案する。 タイムチューニング(time-tuning)と呼ぶ我々のアプローチは、画像事前学習モデルから始まり、ラベルなしビデオに新たな自己教師付き時間的アライメントクラスタリングロスを伴って微調整を行う。 タイムチューニングは、教師なしのセマンティックセマンティックセグメンテーションを8～10%改善し、画像にマッチさせる。
  論文  参考訳（メタデータ） (2023-08-22T21:28:58Z)
• Efficient Video Segmentation Models with Per-frame Inference [117.97423110566963]
  推論のオーバーヘッドを導入することなく、時間的一貫性を改善することに注力する。 本稿では,時間的一貫性の喪失やオンライン/オフラインの知識蒸留手法など,ビデオシーケンスから学ぶためのいくつかの手法を提案する。
  論文  参考訳（メタデータ） (2022-02-24T23:51:36Z)

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。